逻辑回归和机器学习方法在预测抑郁症状中的比较:一项全国性的研究

科学领域:

• 计算精神病学是一种计算精神病学.
• 流行病学 流行病学
• 统计建模 统计建模

背景情况:

• 机器学习 (ML) 对比传统的统计方法有望提高预测能力.
• 随着COVID-19的流行,人们对心理健康的担忧加剧了,尤其是抑郁症的症状.
• 准确预测抑郁症状对于及时干预至关重要.

研究的目的:

• 评估各种ML算法的预测性能与抑郁症状的后勤回归 (LR) 相比.
• 为了比较ML模型 (随机森林,支持矢量机,神经网络,梯度增强机) 和LR的有效性.
• 在COVID-19大流行期间识别抑郁症状的潜在风险因素.

主要方法:

• 分析了一项涉及21,916名参与者的全国横截面研究.
• 使用了ML算法,包括随机森林 (RF),支持矢量机 (SVM),神经网络 (NN) 和梯度增强机 (GBM).
• 使用灵敏度,特异性,准确性,精度,F1得分和接收器操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• 逻辑回归 (LR) 和神经网络 (NN) 基于AUC表现出强的表现.
• 梯度增强机 (GBM) 实现了最高的灵敏度,特异性,精度,精度和F1分数.
• 大多数ML模型显示过度装配的风险是微不足道的,LR,NN和GBM被确定为表现最佳的模型.

结论:

• 逻辑回归 (LR) 在预测抑郁症症状方面与机器学习 (ML) 模型相似.
• LR模型有效地识别了抑郁症状的潜在风险因素.
• 由于其可比性能和过度装配的风险较低,LR为ML模型提供了有价值的替代方案.