SLB - SMOTE逻辑混合混合混合机器学习模型用于慢性多囊卵巢综合征预测与相关特征选择

科学领域:

• 生物医学信息学 生物医学信息学
• 内分泌学 在内分泌学.
• 医疗保健中的机器学习

背景情况:

• 多囊卵巢综合征 (PCOS) 是一种常见的内分泌疾病,具有复杂的病因.
• 准确和早期预测PCOS对于及时干预和管理至关重要.
• 现有的诊断方法可能耗时,可能需要广泛的临床评估.

研究的目的:

• 开发和评估用于预测多囊性卵巢综合征 (PCOS) 的机器学习 (ML) 模型.
• 为了确定对PCOS预测最有效的人口,临床和生化参数.
• 为了比较传统的ML和集成算法在PCOS诊断中的性能.

主要方法:

• 从Kaggle数据集中利用了包括人口,临床和生化特征的数据.
• 训练了几种传统的机器学习算法,包括逻辑回归.
• 实施了组合算法,例如混合,并与传统方法进行了比较.

主要成果:

• 在传统的ML模型中,物流回归实现了最高的精度 (0.91) 和曲线下的面积 (AUC) 0.90.
• 混合组合算法也表现出强的性能,精度为0.91和AUC为0.90.
• 混合算法提供了平衡的精度和0.88的回忆,表明了强大的分类.

结论:

• 逻辑回归和混合算法被确定为PCOS预测的最佳模型.
• 这些模型对于准确的PCOS病例分类具有显著的区分能力.
• 开发的ML模型为可靠和高效的PCOS诊断提供了一个有希望的方法.