10、登革热感染区域与医院再入院风险预测研究

云朵来信

于 2025-06-05 14:29:23 发布

阅读量33

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能的前沿探索文章标签：登革热预测医院再入院风险机器学习

本文链接：https://blog.youkuaiyun.com/b0c1d2/article/details/151001273

人工智能的前沿探索专栏收录该内容

96 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

                    
                     登革热感染区域与医院再入院风险预测研究  
 登革热感染区域预测  
  数据平衡  
   原始数据集分布偏向 0，若强行提高准确率，可能导致模型过拟合。因此，采用 SMOTE + Edited Nearest Neighbor (ENN) 集成采样方法进行数据平衡。 
 原因是在测试了 SMOTE、SMOTE + ENN 和 SMOTE + Tomek links 三种数据平衡组合后，SMOTE + ENN 得分最高。 
 
  模型参数调整  
    RF 模型  ：由于本研究分类为二元分类，使用 LogLoss 结合 Python - Scikit - learn 套件 GridSearchCV 调整 RF 参数。用大范围查找参数大致范围，再逐步缩小范围找到最合适参数。除表 3 中三个参数外，其他参数在实验中变化不大。训练时，性能不随树数量增加而下降，一定数量后趋于平稳。用 LogLoss 进行基本参数调整，再以训练集和测试集的 ROC/AUC 距离为参考调整参数。 
  XGB 模型  ：同样使用 GridSearchCV 找到最小 LogLoss 值调整参数。参数相互独立，分别调整。但发现若基于训练集 LogLoss 参数训练 XGB 模型，会严重过拟合，需不断调整 LogLoss 和 ROC/AUC 的过拟合情况，如 n_estimators、L1 和 L2。