基于机器学习算法的冠心病风险预测及其特征分析模型

摘要：

目的 基于机器学习算法构建冠心病风险评估模型,并比较极限梯度上升(eXtreme Gradient Boosting,XGBoost)模型和逻辑回归(Logistic Regression,LR)在预测冠心病患病风险中的效能,为冠心病的诊断提供计算机辅助方法.方法 通过对kaggle社区上发布的冠心病数据集进行预处理后,将特征变量纳入logistic和XGBoost模型中,对其查准率、召回率、ROC曲线下面积(AUC)进行对比,以验证模型性能.结果 XGBoost模型相对于传统的logistic回归模型预测性能更优,其中,年龄、性别、血糖水平、身体质量指数和收缩压为冠心病的主要危险因素.结论 冠心病风险预测模型能为冠心病早期预防控制及诊断提供参考依据.

关键词：冠心病、模型预测、机器学习、逻辑回归、XGBoost

所属期刊栏目：41

分类号：R575.5(消化系及腹部疾病)

在线出版日期：2023-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：53-57