基于XGBOOST的糖尿病遗传风险预测（2）

最新推荐文章于 2024-11-16 22:23:25 发布

原创

最新推荐文章于 2024-11-16 22:23:25 发布 · 1.2k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #XGBOOST #医疗

本文是关于利用XGBOOST进行糖尿病遗传风险预测的第二部分，重点在于数据预处理后的模型训练。虽然训练过程主要依赖现成库函数，但数据预处理是关键。最终，模型对1200个样本的预测结果整体表现良好，尽管存在少数预测偏差较大的情况。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

上接（1）

完成了数据预处理之后进行回归器的学习：

if self.model_name == "xgboost":
            clf = XGBRegressor()
            if self.find_best_param:
                test_params = {
                    'max_depth': [2,3, 4, 5, 6],
                    'learning_rate': [0.25,0.5,0.1, 0.3],
                    'n_estimators': [10,25,50, 100, 200]
                }
           mean_squared_error_scorer = make_scorer(score_func=mean_squared_error, greater_is_better=False)
                gs = GridSearchCV(estimator=clf, param_grid=test_params, cv=4, verbose=2,
                                  scoring=mean_squared_error_scorer, n_jobs=2)
                gs.fit(self.train_X, self.train_y)
                print('======xgboost==== Best Results ================')
                print('best params: {}, best score: {}'.format(gs.best_params_, gs.best_score_))
                print('=============== End ================')
                best_params = gs.best_params_
                with open