换一批融合LASSO特征选择与Stacking集成学习模型的慢性肾脏病预测方法
Chronic Kidney Disease Prediction Based on LASSO Feature Selection and Stacking Ensemble Learning
摘要为构建一个高效的慢性肾脏病(chronic kidney disease,CKD)预测模型,以提升对该疾病的诊断能力.基于 UCI 数据库中的 CKD 数据集,采用病例-对照设计,将样本分为 CKD 组与非 CKD 组.针对分类变量的缺失问题,采用多重插补结合 K近邻(K-nearest neighbors,KNN)的方法填补,并通过 Min-Max 方法对其做标准化处理,最终通过最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)回归结合五折交叉验证,筛选出12 个关键特征.数据集按7∶3划分为训练集与测试集,使用逻辑回归、随机森林、朴素贝叶斯、K 近邻和支持向量机5 种机器学习模型诊断 CKD,并构建 Stacking 集成策略二级元学习器.结果显示,Stacking 集成模型在多个评价指标中表现最优,其准确率达 0.958,受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)达0.981,精确率-召回率曲线下面积(area under the precision-recall curve,AUPRC)达0.957.通过决策曲线分析验证,该模型在多数临床阈值下具有更高净获益.研究表明,LASSO 回归结合 Stacking 集成学习可有效提高 CKD 的预测性能,可为 CKD 的临床辅助诊断提供可靠的技术支持.
更多相关知识
关键词
慢性肾脏病(CKD)最小绝对收缩与选择算子(LASSO)回归机器学习Stacking集成学习chronic kidney disease(CKD)least absolute shrinkage and selection operator(LASSO)regressionmachine learningStacking ensemble learning
栏目名称
DOI
10.12404/j.issn.1671-1815.2503477
发布时间
2026-05-20（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
