提高糖尿病预测与最小的处理时间使用Catboost:一个比较研究
M Sumathi1, S Sahana1, S Sri Raja Rajeswari1
1School of Computing, SASTRA Deemed to be University, Thanjavur, India.
Journal of evaluation in clinical practice
|October 7, 2025
概括
这项研究提出了CatBoost,用于更快地预测糖尿病. 它在速度上明显优于组合模型,为早期糖尿病风险识别提供了计算效率高的解决方案.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 机器学习应用程序 机器学习应用程序
背景情况:
- 糖尿病带来了全球健康挑战,需要准确预测早期干预.
- 机器学习 (ML) 为改善医疗保健中的预测准确性提供了先进的工具.
- 众所周知,集体ML方法可以提高复杂数据集中的预测性能.
研究的目的:
- 评估各种ML分类器,包括组合方法,用于糖尿病预测.
- 为了比较不同ML模型的计算效率和预测性能.
- 引入和评估CatBoost分类器,以快速准确地识别糖尿病风险.
主要方法:
- 探索单个ML分类器:决策树,随机森林,k-最近邻居,天真贝斯,AdaBoost,XGBoost和多层感知子 (MLP).
- 实施和评估这些ML分类器的组合配置.
- 基于预测准确度和执行时间对模型性能进行比较分析,重点是MLP,CatBoost和整体模型.
主要成果:
- 多层感知子 (MLP) 被确定为表现最好的个人ML模型.
- 拟议的CatBoost分类器表现出卓越的计算效率,执行时间为4.27秒.
- CatBoost的速度大约比组合模型 (314.96秒) 快98.64%,突出了其在速度方面的优势.
结论:
- 与组合方法相比,CatBoost在糖尿病预测的计算效率方面具有显著的优势.
- 该研究通过有效的基于ML的糖尿病风险评估,有助于推进精准医学.
- 利用多样化的ML优势增强了糖尿病风险人群的个性化医疗保健策略.
