文献类型：期刊文章

作　　者：张冬阳[1] 龚谊承[2]

ZHANG Dong-yang;GONG Yi-cheng(Department of Mathematics and Statistics,Science College,Wuhan University of Science and Technology,Wuhan 430065,China;Hubei Province Key Laboratory of Systems Science in Metallurgical Process,Wuhan University of Science and Technology,Wuhan 430065,China)

机构地区：[1]武汉科技大学理学院数学与统计系,湖北武汉430065 [2]武汉科技大学冶金工业过程系统科学湖北省重点实验室,湖北武汉430065

出　　处：《数学的实践与认识》

基　　金：湖北省大学生创新创业训练计划(201810488097);湖北省冶金工业过程重点实验室(Y201906)。

年　　份：2020

卷　　号：50

期　　号：13

起止页码：141-152

语　　种：中文

收录情况：BDHX、BDHX2017、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：急性肝衰竭(ALF)无发病前兆且发展迅速,及时准确的预诊有助于预防措施的提前介入.对比分析了三种智能预诊方法(XGBoost,神经网络和随机森林)与因子分析的耦合模型,分别简称为XGBoost耦合因子分析(XGBoost-FA),神经网络耦合因子分析(ANN-FA)和随机森林耦合因子分析(RF-FA).选取2018年Kaggle竞赛的Acute Liver Failure数据集作为算例,首先利用因子分析将特征变量从30个降到16个(贡献率为80.6%),然后将8785条数据按照7:3的比例划分训练集和测试集,学习出的XGBoost-FA、ANN-FA和RF-FA预诊模型,在测试集上的(对数损失函数,训练时间)分别为:(0.6646636,14.8s),(0.733198,12.7s),(0.6721212,23.1s).对比预诊的结果可知:XGBoost-FA的精确度最高,ANN-FA的速度最快.

关 键 词：急性肝衰竭(ALF)  XGBoost  神经网络 随机森林  因子分析  

分 类 号：TP18] R575.3]