文献类型：期刊文章

作　　者：黄光成[1] 周良[1] 石建伟[1] 黄蛟灵[1] 杨燕[2] 陈宁[3] 刘茜[2] 巩昕[3,4] 王朝昕[1] 唐岚[5] 俞文雅[1]

HUANG Guangcheng;ZHOU Liang;SHI Jianwei;HUANG Jiaoling;YANG Yan;CHEN Ning;LIU Qian;GONG Xin;WANG Zhaoxin;TANG Lan;YU Wenya(Shanghai Jiao Tong University School of Medicine,Shanghai 200025,China;School of Management and Finance,Tongji University,Shanghai 200092,China;School of Medicine,Tongji University,Shanghai 200092,China;Shanghai Heart Failure Research Center,Shanghai East Hospital,Shanghai 200120,China;Weifang Community Healthcare Center,Pudong New Area,Shanghai 200122,China)

机构地区：[1]上海交通大学医学院,上海200025 [2]同济大学经济与管理学院,上海200092 [3]同济大学医学院,上海200092 [4]同济大学附属东方医院心力衰竭专科,上海200120 [5]上海市浦东新区潍坊社区卫生服务中心,上海200122

出　　处：《中国卫生资源》

基　　金：国家自然科学基金面上项目(71774116);2018年“重大慢性非传染性疾病防控研究”重点专项(SQ2018YFC130057);上海市卫生和计划生育委员会面上项目(201740202);上海市浦江人才计划资助(2019PJC072);2019上海市社区卫生协会社区科研项目(201940052);2019年度上海市浦东新区卫生科技项目(PW2019A-42)。

年　　份：2020

卷　　号：23

期　　号：4

起止页码：432-436

语　　种：中文

收录情况：BDHX、BDHX2017、JST、RCCSE、ZGKJHX、核心刊

摘　　要：就最适合应用于疾病风险预测的4种机器学习经典算法,即支持向量机、BP(back propagation)神经网络、随机森林和朴素贝叶斯,对其在疾病风险预测中的前沿应用、方法学特征、优势、缺陷和适用条件进行综述,以期为更合理地应用机器学习方法预测疾病风险提供方法学支持。

关 键 词：机器学习  疾病风险预测  支持向量机 BP神经网络 随机森林  朴素贝叶斯

分 类 号：R19] R181.25[公共卫生与预防医学类]