机构名称：
¥ 1.0
机器学习方法在医疗领域广泛使用。但是，这些模型的可靠性和功效很难评估，这使得研究人员难以确定哪种机器学习模型适用于其数据集。我们评估了模型指标（例如AUROC，灵敏度，特异性）的方差计算是否通过自举仿真和外形加性解释（SHAP）可以提高模型透明度并改善模型选择。使用了英格兰国家健康服务心脏病预测队列的数据。在比较了XGBoost，随机森林，人工神经网络和自适应增强的模型指标之后，本研究中使用XGBoost作为选择的机器学习模型。BOOST-STRAP模拟（n = 10,000）用于从经验上得出模型指标的分布和协变量增益统计。整体添加说明（SHAP），以提供机器学习输出和仿真的解释，以评估模型精度的差异。对于Xgboost建模方法，我们观察到（通过10,000个完成的模拟），AUROC的范围为0.771至0.947，差异为0.176，平衡精度为0.688到0.688到0.894，敏感性差异为0.632差异为0.632差异0.632到0.3920差异0.932差异0.30777939，均为0.939，均为0.939，均为0.939，均为0.939，均为0.939，均为0.939，均为0.939，范围差0.944，0.394差异。使用仿真来凭经验评估模型指标和解释算法的可变性，以观察协变量是否与文献相匹配，这对于提高了运输，可靠性和机器学习方法的实用性是必需的。在完成的10,000个模拟中，我们观察到，胆固醇的胆固醇的增益范围从0.225到0.225到0.456，差异为0.231，差异为0.148范围为0.148至0.178，最大心率（MAXHR）的差异为0.178，范围为0.081至0.200，范围为0.200，范围为0。 0.098。这些差异统计数据，结合模型精度统计数据可以帮助研究人员确定给定数据集的最佳模型。
通过引导模拟和塑造添加说明
主要关键词
相关文件推荐
