一种采用支向量技术的两阶段预测填充方法,通过灰狼优化器和粒子群优化逐步竞争优化,以错过禁食血糖的粒子群优化

科学领域:

• 流行病学 流行病学
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 流行病学调查中缺少的数据,特别是禁食血糖水平,妨碍了准确的数据利用和分析.
• 准确的缺失值归算对于可靠的流行病学研究和公共卫生见解至关重要.

研究的目的:

• 开发和验证一种强大的两阶段预测方法,用于归因缺失的禁食血糖值.
• 通过使用先进的机器学习技术和元启发算法来优化归算过程.

主要方法:

• 来自山东省2009年中国健康与营养调查 (CHNS) 的数据被分为正常和异常的禁食血糖水平.
• 采用了两阶段的方法:用于类预测的支持向量机 (SVM) 和用于预测类内的值赋值的支持向量回归 (SVR).
• 粒子优化 (PSO) 和灰狼优化器 (GWO) 用于优化SVM和SVR模型,以LIBSVM作为基准.

主要成果:

• 灰狼优化器 (GWO) 在第一阶段 (SVM) 实现了最高的分类准确率 (91.1%) .
• 粒子优化 (PSO) 在第二阶段 (SVR) 产生了同类中最小的平均绝对误差 (0.48).
• 结合的GWO-SVM-PSO-SVR模型在平均绝对误差和平均绝对百分比误差方面表现优于其他归算方法,显示出稳定性和对样本大小变化的耐受性.

结论:

• 拟议的GWO-SVM-PSO-SVR模型提供了一个高度准确和稳定的解决方案,用于在流行病学调查中归因缺失的禁食血糖数据.
• 这种先进的归算技术提高了流行病学数据集的可靠性和实用性,有助于改善健康研究.
• 该研究强调了将元启发式优化与机器学习相结合的潜力,以解决公共卫生中的缺失数据挑战.