识别最近入伍的海军人员的磨损风险和保护因素,使用可变重要性指标

科学领域:

• 军事医学 军事医学
• 数据科学是数据科学.
• 人事管理人事管理.

背景情况:

• 海军新兵的消耗影响了部队的准备,大约有25%的人没有完成义务服役.
• 识别消耗预测因素对于保留熟练人员和优化军事有效性至关重要.

研究的目的:

• 通过使用先进的机器学习技术,识别导致海军消耗的关键因素.
• 将机器学习模型的预测性能与传统的回归分析进行比较.

主要方法:

• 在2016年39,866名海军人员的数据集上利用随机森林 (RF) 和极端梯度增强 (XGBoost) 模型.
• 纳入了542个独立变量,包括人口统计,医疗访问和药物,以预测消耗 (在服役结束前退役).
• 评估变量重要性指标 (VIM) 以确定消耗的重要预测因素.

主要成果:

• 射频模型实现了最高的精度 (81.7%) 和曲线下的面积 (90.0%),超过了后勤回归.
• 消耗的主要预测因素包括心理健康障碍 (例如,适应障碍),特定职业 (例如,海员专家) 和人口/性别相关问题.
• 确定了五个主要的预测组:心理健康,职业,人口/性别,疼痛管理和医疗合规性.

结论:

• 机器学习,特别是RF和XGBoost,与传统的回归相比,为海军的消耗提供了更好的预测能力.
• 变量重要性措施有效地突出了影响消耗的关键因素,有助于人员管理和保留策略.
• 整体机器学习方法提供了强大,准确和可靠的模型来预测军事人员的磨损.