
-
生物通官微
陪你抓住生命科技
跳动的脉搏
预测健康、经济与环境指标:一种比较性的机器学习方法
《BMC Public Health》:Predicting health, economy, and environmental indicators: a comparative machine learning approach
【字体: 大 中 小 】 时间:2026年07月23日 来源:BMC Public Health 4.4
编辑推荐:
摘要背景本研究旨在通过机器学习方法,分析经济增长、碳排放与医疗支出之间的关系,从而揭示环境可持续性与卫生政策之间的相互作用。该研究的主要目的是运用数据驱动的方法,评估经济增长、健康指标与环境可持续性之间的关联。方法分析基于世界银行世界发展指标数据库中1960年至2024年217个
本研究旨在通过机器学习方法,分析经济增长、碳排放与医疗支出之间的关系,从而揭示环境可持续性与卫生政策之间的相互作用。该研究的主要目的是运用数据驱动的方法,评估经济增长、健康指标与环境可持续性之间的关联。
分析基于世界银行世界发展指标数据库中1960年至2024年217个国家的大规模面板数据集。研究采用了多种先进的机器学习算法,包括额外树、随机森林、极端梯度提升、基于直方图的梯度提升以及轻量级梯度提升机,并对比了这些算法的预测性能。为提高预测精度,研究通过结合性能最佳的算法构建了混合集成模型。此外,还运用可解释人工智能中的沙普利加性解释方法,分析了各变量的相对重要性。
研究结果表明,所提出的混合集成模型相比单一算法具有更高的预测精度。沙普利加性解释分析显示,在构建的机器学习模型中,医疗支出、经济增长以及与创新相关的指标具有较高的预测重要性。这些发现凸显了环境指标、医疗支出与可持续发展成果之间的关联关系。
本研究从数据驱动的角度分析了经济增长、环境可持续性与卫生政策之间的复杂关系。研究结果为经济、环境及健康相关指标之间的预测关联提供了更多证据。所提出的框架证明了机器学习方法在分析大规模国家年度数据集中的复杂非线性模式方面的有效性。
本研究旨在通过机器学习方法,分析经济增长、碳排放与医疗支出之间的关系,从而揭示环境可持续性与卫生政策之间的相互作用。该研究的主要目的是运用数据驱动的方法,评估经济增长、健康指标与环境可持续性之间的关联。
分析基于世界银行世界发展指标数据库中1960年至2024年217个国家的大规模面板数据集。研究采用了多种先进的机器学习算法,包括额外树、随机森林、极端梯度提升、基于直方图的梯度提升以及轻量级梯度提升机,并对比了这些算法的预测性能。为提高预测精度,研究通过结合性能最佳的算法构建了混合集成模型。此外,还运用可解释人工智能中的沙普利加性解释方法,分析了各变量的相对重要性。
研究结果表明,所提出的混合集成模型相比单一算法具有更高的预测精度。沙普利加性解释分析显示,在构建的机器学习模型中,医疗支出、经济增长以及与创新相关的指标具有较高的预测重要性。这些发现凸显了环境指标、医疗支出与可持续发展成果之间的关联关系。
本研究从数据驱动的角度分析了经济增长、环境可持续性与卫生政策之间的复杂关系。研究结果为经济、环境及健康相关指标之间的预测关联提供了更多证据。所提出的框架证明了机器学习方法在分析大规模国家年度数据集中的复杂非线性模式方面的有效性。