机器学习分类器在疾病预测中的实验研究

《NATIONAL ACADEMY SCIENCE LETTERS-INDIA》：The Experimental Study of Machine Learning Classifiers for Disease Prediction

针对环境变化引发的疾病预测难题，本研究采用Logistic回归、支持向量机等12种机器学习模型，通过准确率、F1值等指标评估，发现Logistic回归与多层感知机（MLP）在疾病数据集上表现最优，能有效支持早期诊断。

　　

摘要

在当今世界，由于环境变化（主要是污染、热浪）以及人们的生活方式，人们会患上各种各样的疾病。因此，如何在疾病的早期阶段进行预测已成为一个关键问题。此外，准确预测症状对医生来说是最具挑战性的任务。机器学习在疾病预测和解决这类问题中发挥着重要作用。每年，医学领域会产生大量以数据集形式存在的信息。由于医疗和卫生领域疾病数据集的数量不断增加，准确预测特定疾病的能力显著提高了患者的早期安全性。为此，人们利用机器学习来揭示数据集中的隐藏模式。为了准确识别疾病，我们尝试应用了以下机器学习分类器：逻辑回归（Logistic Regression, LR）、支持向量机（Support Vector Machine, SVM）、K-近邻（K-Nearest Neighbor, KNN）、决策树（Decision Tree, DT）、随机森林（Random Forest, RF）、朴素贝叶斯（Naive Bayes, NB）、多层感知器（Multi-Layer Perceptron, MLP）、随机梯度下降（Stochastic Gradient Descent, SGD）、线性判别分析（Linear Discriminant Analysis, LD）、Adaboost和梯度提升（Gradient Boosting, GB）。该研究根据这些分类器的准确性、精确度、召回率、F1分数和汉明损失（Hamming Loss）来评估它们的性能。实验结果表明，在疾病预测方面，逻辑回归（LR）和多层感知器（MLP）分类器的表现最佳，它们能够相对较好地处理这些疾病数据集，优于其他所有机器学习分类器。