急性肝衰竭（ALF）無發(fā)病前兆且發(fā)展迅速,及時準確的預診有助于預防措施的提前介入.對比分析了三種智能預診方法（XGBoost,神經(jīng)網(wǎng)絡和隨機森林）與因子分析的耦合模型,分別簡稱為XGBoost耦合因子分析（XGBoost-FA）,神經(jīng)網(wǎng)絡耦合因子分析（ANN-FA）和隨機森林耦合因子分析（RF-FA）.選取2018年Kaggle競賽的Acute Liver Failure數(shù)據(jù)集作為算例,首先利用因子分析將特征變量從30個降到16個（貢獻率為80.6%）,然后將8785條數(shù)據(jù)按照7:3的比例劃分訓練集和測試集,學習出的XGBoost-FA、ANN-FA和RF-FA預診模型,在測試集上的（對數(shù)損失函數(shù),訓練時間）分別為:（0.6646636,14.8s）,（0.733198,12.7s）,（0.6721212,23.1s）.對比預診的結(jié)果可知:XGBoost-FA的精確度最高,ANN-FA的速度最快. 

【文章頁數(shù)】：12 頁

【文章目錄】：
1 前言
2 因子分析(FA)、XGBoost、神經(jīng)網(wǎng)絡(ANN)和隨機森林(RF)的原理簡介
    2.1 因子分析(FA)的基本原理
    2.2 XGBoost的基本原理
    2.3 神經(jīng)網(wǎng)絡(ANN)的基本原理
    2.4 隨機森林(RF)的基本原理
3 本文的分析思路與框架
4 基于因子分析的急性肝衰竭數(shù)據(jù)的降維
    4.1 數(shù)據(jù)概述及預處理
    4.2 因子分析結(jié)果
5 耦合因子分析的XGBoost(XGBoost-FA)的學習與預診
    5.1 XGBoost-FA預診模型的學習
    5.1 XGBoost-FA預診模型的效果檢驗
6 耦合因子分析的神經(jīng)網(wǎng)絡(ANN-FA)的學習與預診
    6.1 ANN-FA預診模型的學習
    6.2 ANN-FA預診模型的效果檢驗
7 耦合因子分析的隨機森林(RF-FA)的學習與預診
    7.1 RF-FA預診模型的學習
    7.2 RF-FA預診模型的效果檢驗
8 XGBoost-FA、ANN-FA和RF-FA的預診結(jié)果對比分析
9 結(jié)論與展望


【參考文獻】：
期刊論文
[1]5種評分系統(tǒng)對慢加急性肝衰竭患者短期病死率的預測價值[J]. 張靜,周新民.  臨床肝膽病雜志. 2019(09)
[2]基于GAXgboost模型的糖尿病風險預測[J]. 張春富,王松,吳亞東,王勇,張紅英.  計算機工程. 2020(03)
[3]基于主成分和GBDT對血糖值的預測[J]. 龔誼承,都承華,張艷娜,余力.  數(shù)學的實踐與認識. 2019(14)
[4]肝衰竭診治指南（2018年版）[J]. Liver Failure and Artificial Liver Group,Chinese Society of Infectious Diseases,Chinese Medical Association;Severe Liver Disease and Artificial Liver Group,Chinese Society of Hepatology,Chinese Medical Association;.  臨床肝膽病雜志. 2019(01)
[5]慢加急性肝衰竭預后模型的研究進展[J]. 張東敬,周彬,侯金林.  臨床肝膽病雜志. 2018(06)
[6]集對分析在人工智能中的應用與進展[J]. 蔣云良,趙克勤.  智能系統(tǒng)學報. 2019(01)
[7]四種基于MELD的評分系統(tǒng)對慢加急性乙型肝炎肝衰竭患者短期生存的預測價值分析[J]. 李磊,胡輝,鄭曉瑋,江守偉,沈強.  實用肝臟病雜志. 2018(03)
[8]四種評分系統(tǒng)對乙型肝炎相關(guān)慢加急性肝衰竭患者短期預后的評估價值[J]. 劉歡,宋立文,曹武奎,李菲.  臨床肝膽病雜志. 2015(09)
[9]不同評分系統(tǒng)對乙肝相關(guān)慢加急性肝衰竭患者短期預后評估的比較[J]. 劉磊,王鳳梅,闞志超,李巖,肖時湘,劉華,李瑩.  實用醫(yī)學雜志. 2014(04)



本文編號：3718405