机构名称：
¥ 1.0
丙型肝炎是一种疾病，可以从初始无症状阶段发展为慢性感染，如果没有治疗，可能导致肝硬化和肝癌。丙型肝炎的诊断需要至少两种不同类型的测试：血清学测试和分子测试。这些测试方法对患者施加了经济负担，并为患者流失贡献。这项研究的目的是使用基于常见的血液测试数据的各种机器学习技术来预测该疾病，以实现患者的早期诊断和治疗。In this study, we integrated features from lit- erature and original data, applying six machine learning algorithms (logistic regression (LR), support vector machine (SVM), K-nearest neighbors (KNN), decision tree (DT), random forest (RF), adaptive boosting (AdaBoost)) to forecast hepatitis C. The performance of these techniques was compared using metrics such as accuracy,精确，召回，F1得分，接收器操作特征（ROC）和曲线下的面积（AUC），以识别该疾病的合适方法。来自UCI数据集的结果表明，Adaboost的准确性最高（97.8％）和AUC（0.994），使其成为预测乙型肝炎的有效且具有成本效益的方法。
在预测肝炎C
主要关键词
相关文件推荐
