在心理学研究中比较机器学习和人工神经网络模型:基于ROC的分析
Marie-Luise Leitner1, Martin Arendasy1
1Department of Psychology, University of Graz, Graz, Austria.
Frontiers in psychology
|March 9, 2026
概括
传统的机器学习模型,如逻辑回归和随机森林,在心理选择任务中优于人工神经网络. 这些古典方法在应用评估环境中提供了更稳定,更易于解释的结果.
科学领域:
- 心理评估 心理评估
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 数据驱动的方法越来越多地用于心理评估.
- 人工神经网络与传统机器学习模型在选择环境中的比较性能尚未得到充分证实.
- 使用现实世界的心理数据集和基于ROC的评估存在有限的比较证据.
研究的目的:
- 在应用心理选择中,比较传统机器学习模型与人工神经网络的有效性.
- 在真实数据集上使用准确度和接收器操作特征 (ROC) 分析来评估模型性能.
主要方法:
- 将后勤回归,决策树和随机森林模型与前人工神经网络进行比较.
- 使用了4,155名大学入学考试申请人的数据集.
- 评估模型使用ROC分析的精度和曲线下的面积 (AUC).
主要成果:
- 后勤回归产生了最高的预测性能 (精度=0.973,AUC=0.99),紧随其后的是随机森林 (精度=0.961,AUC=0.98).
- 人工神经网络实现了较低的辨别能力 (AUC = 0.87),并显示出过度配合的迹象.
- 生物学,化学和数理推理被确定为关键预测因素.
结论:
- 与浅层神经网络相比,传统的机器学习模型为中型,结构化的心理数据集提供了更稳定,更易解释和更强大的性能.
- 模型选择和诱导偏见在应用心理学研究中至关重要.
- 经典机器学习方法在选择和评估环境中仍然很有价值.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.6K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
839
