通过机器学习预测老年人的生存能力:一项试点研究

科学领域:

• 老年学是一门学科.
• 环境心理学 环境心理学
• 数据科学数据科学数据科学

背景情况:

• 了解老年人的生存能力是复杂的,涉及人,环境,任务和绩效因素.
• 需要先进的分析方法来解释这些多维相互作用.
• 住宅满意度是老龄化人口生活能力的关键指标.

研究的目的:

• 评估65岁及以上成年人居住满意度的可居住度量 (LS) 的预测准确性.
• 为了比较六个机器学习算法在建模可居住性的性能.
• 确定影响老年人住房满意度的关键因素.

主要方法:

• 采用了六种机器学习算法:逻辑回归,决策树,随机森林,梯度增强,支持向量机器和集合模型.
• 使用F1得分,曲线下的面积 (AUC),灵敏度和特异性等指标评估模型性能.
• 使用k-fold交叉验证进行可靠的概括评估.
• 进行了特征重要性分析,以确定住宅满意度的关键预测因素.

主要成果:

• 随机森林模型实现了最高的性能 (F1 = 0.74,AUC = 0.78),显示出强大的概括性.
• 功能重要性分析强调文化设施,负担能力,活动,公园,结构安全和清洁性是关键预测因素.
• 支持向量机 (SVM) 显示出高灵敏度但更多的假阳性,而梯度增强机 (GBM) 则优先考虑特异性而不是灵敏度.

结论:

• 机器学习有效地揭示了复杂的可居住性数据中的非线性关系.
• 算法多样性为为老年人开发有针对性的住房干预提供了有价值的见解.
• 关键的环境和社会因素对预测老年人的住房满意度有很大影响.