换一批SMOTE_ENN结合AdaBoost在临床预测模型中的应用探析
Application of SMOTE_ENN Combined with AdaBoost in Clinical Prediction Model
摘要目的 探讨SMOTE_ENN混合采样结合AdaBoost算法在不平衡临床数据分类模型中的预测效果.方法 采用网格搜索,设置不同采样比例,结合真实数据应用ROS_RUS、SMOTE_RUS、SMOTE_Tomek、SMOTE_ENN四种混合采样方法,分别基于DT、SVM、AdaBoost三种分类算法建模并比较性能.选取Recall、F1 值、AUC三个评价指标,五折交叉验证重复三次取平均值.另选取两个UCI数据集对模型进行外部验证.结果 12 个分类模型中,SMOTE_ENN混合采样结合AdaBoost的模型性能最优,Recall、F1 值和AUC分别为 0.747、0.751 和 0.776,且最佳采样率为 50%SMOTE过采样联合 70%ENN欠采样.结论 SMOTE_ENN混合采样结合AdaBoost模型可有效提升HT患者不平衡数据的临床结局预测效能,且按最佳比例抽样可有效解决以往重抽样没有明确采样率的问题.经公开的UCI数据集进一步验证后,该模型可推广应用.
更多相关知识
栏目名称
DOI
10.11783/j.issn.1002-3674.2023.06.004
发布时间
2024-01-30（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（81674101）
- 浏览19
- 被引10
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
