当前位置:
X-MOL 学术
›
Soft Comput.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
一种新的基于多样性的集成方法和遗传算法用于有效的疾病诊断
Soft Computing ( IF 3.1 ) Pub Date : 2023-05-26 , DOI: 10.1007/s00500-023-08393-5 Srinivas Arukonda , Ramalingaswamy Cheruku
"点击查看英文标题和摘要"
更新日期:2023-05-26
Soft Computing ( IF 3.1 ) Pub Date : 2023-05-26 , DOI: 10.1007/s00500-023-08393-5 Srinivas Arukonda , Ramalingaswamy Cheruku
有效的疾病诊断是全球范围内未满足的重大需求。由于许多疾病机制的复杂性和患者群体的潜在症状,早期诊断和有效治疗模型的开发面临着巨大的障碍。最近,各种基于集成的 ML 模型正在帮助医生进行早期诊断。但这些模型面临的最大挑战之一是学习选择基于多样性的分类器以增强模型的性能。许多研究人员试图通过集成学习方法来提高分类精度,但都失败了。为了提高本研究中的疾病诊断性能,提出了一种具有遗传算法的基于多样性的新型进化集成框架。为了提高预测性能,我们使用了四种基于多样性的分类器,例如 K 最近邻、支持向量机、逻辑回归和决策树,使用自举方法生成 20 个不同的基础学习器,使用五重交叉验证使用五个自举袋。并且为了提高预测性能,我们提出了一种新的适应度函数。为了测试鲁棒性,该模型运行了 20 次,并计算了所提出模型的平均性能和平均集成复杂度。最后,我们提出的模型使用四个基准疾病数据集进行了测试,例如 Pima Indian 糖尿病 (PID)、慢性肾脏病 (CKD)、Statlog 心脏数据 (SHD) 和威斯康星乳腺癌 (WBC)。这些结果与最先进的集成模型和非集成模型进行了比较。结果表明,与集成模型相比,所提出的模型在 PID 的准确性、AUC 和特异性、CKD 的准确性、灵敏度和特异性、SHD 的准确性、AUC 和特异性以及 SHD 的准确性、AUC 和对 WBC 的特异性。与非集成模型相比,所提出的模型在精度、PID 精度、精度、AUC、CKD 精度和 F1 分数、精度、AUC、灵敏度、精度和 SHD 上的 F1 分数和准确度,WBC 的 AUC。
"点击查看英文标题和摘要"