利用Catboost在最小处理时间内提升糖尿病预测能力：一项比较研究

《Journal of Evaluation in Clinical Practice》：Enhancing Diabetes Prediction With Minimal Processing Time Using Catboost: A Comparative Study

糖尿病预测中机器学习模型效率对比研究。通过比较决策树、随机森林、k近邻、朴素贝叶斯、AdaBoost、XGBoost和MLP等模型，发现提出的CatBoost分类器在4.27秒内完成预测，比集成模型快98.64%，显著提升计算效率。研究证实结合多种模型优势能有效推进精准医疗发展。

　　

摘要

目标

糖尿病是一种全球范围内带来重大健康挑战的慢性疾病。准确的糖尿病预测有助于实现早期干预和个性化医疗策略，从而改善患者护理并降低医疗处理成本。基于集成学习的机器学习（ML）方法能够提升预测性能。

方法

本研究探讨了多种机器学习分类器，包括决策树、随机森林、k近邻算法、朴素贝叶斯、AdaBoost（AB）、XGBoost（XB）和多层感知器（MLP），并分别考察了它们单独使用以及集成配置下的预测能力。通过严格的实验和多方面的比较分析，评估了每种方法的性能。

结果

将最佳机器学习模型MLP的性能与提出的CatBoost分类器及集成模型的性能进行比较，以确定在最短时间内实现糖尿病预测的最有效方法。提出的CatBoost分类器的执行时间为4.27秒，比集成模型的314.96秒快约98.64%。这表明CatBoost在计算效率上具有显著优势。

结论

通过利用各种机器学习分类器的多样性和互补优势，本研究为糖尿病高风险人群的精准医疗和个性化医疗提供了支持。

利益冲突

作者声明不存在利益冲突。