使用移动应用评分表 (MARS) 尺寸对体育活动应用程序的用户评分基于集群的预测建模:模型开发和验证
Ayush Bhattacharya1, Jose Fernando Florez-Arango1
1Department of Population Health Sciences, Weill Cornell Medicine, 575 Lexington Ave, Room FP 1025, New York, NY, 10022, United States, 1 6469622435.
JMIR mHealth and uHealth
|November 10, 2025
概括
这项研究表明,将k-means集群与机器学习模型相结合,可以准确地预测移动健康应用程序的用户满意度,从而改善部署前的应用程序质量评估.
科学领域:
- 移动健康服务提供者
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 移动健康应用程序需要在部署之前评估质量的工具.
- 移动应用评级表 (MARS) 评估应用程序,但对用户满意度的预测能力有限.
- 对应用程序质量的预测建模是一个新兴的需求.
研究的目的:
- 使用MARS维度和机器学习预测体育活动应用程序的用户评分.
- 在生产之前使用k-means集群和ML模型预测应用程序评级.
- 确定移动健康应用中用户满意度的关键驱动因素.
主要方法:
- 分析了155个MARS评级的体育活动应用程序,将数据分成训练和测试集.
- 应用k-means集群来识别应用集群,然后进行训练5ML模型.
- 使用精度,平均绝对误差和R2评估模型性能,并对外部数据集进行验证.
主要成果:
- 聚类发现了不同的应用类型:功能丰富 (集群1) 和简单 (集群2).
- 一个组合模型 (支持向量回归 + k-最近的邻居) 实现了 88.64% 的准确性,优于非集群模型.
- 聚类提高了预测准确性和对外部数据集的概括性.
结论:
- 结合集群和建模方法提高了应用程序用户评级的预测准确性.
- 这种方法将MARS转化为预测工具,帮助应用程序开发和质量评估.
- 该方法提供了一种可扩展和透明的方法来预测用户评级,特别是在早期开发阶段.
