基于XGBoost特征选择的疾病诊断XLC-Stacking方法

摘要：

针对医学疾病数据中存在特征冗余的问题,以XGBoost特征选择方法度量特征重要度,删除冗余特征,选择最佳分类特征;针对识别精度不高的问题,使用Stacking方法集成XGBoost、LightGBM等多种异质分类器,并在异质分类器中引入性能更好的CatBoost分类器提升集成分类器分类精度.为了避免过拟合,选择基层分类器输出的分类概率作为高层分类器输入.实验结果表明,提出的基于XGBoost特征选择的XLC-Stacking方法相比当前主流分类算法以及单一的XGBoost算法和Stacking方法有较大提升,识别的准确率和F1-Score达到97.73％和98.21％,更加适用于疾病的诊断.

关键词：疾病诊断、特征选择、XGBoost、CatBoost、Stacking

所属期刊栏目：56

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金No.6177010360

在线出版日期：2020-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：136-141