基于集成学习的偏头痛病症分型的效果分析.pdfVIP

2024年第24卷第30期科学技术与工程ISSN1671—1815

2024,24(30):13032-07ScienceTechnologyandEngineeringCN11—4688/T

DOI:10.12404/j.issn.1671-1815.2400680

引用格式:陈书旺,杜朋宇,蔡雨昕.基于集成学习的偏头痛病症分型的效果分析[J].科学技术与工程,2024,24(30):13032-13038.

ChenShuwang,DuPengyu,CaiYuxin.Effectanalysisofmigraineclassificationbasedonensemblelearning[J].ScienceTechnologyandEn-

gineering,2024,24(30):13032-13038.

自动化技术、计算机技术

基于集成学习的偏头痛病症分型的效果分析

陈书旺,杜朋宇,蔡雨昕∗

(河北科技大学信息科学与工程学院,石家庄050018)

摘要偏头痛作为一种常见疾病,其患者基数庞大、发作率高,深刻影响患者的日常生活。随着人工智能技术的不断发展,

机器学习在疾病分类、预测等领域应用发展迅猛且效果良好。现借助机器学习技术提出一种针对偏头痛病症的分类模型。

为处理数据不平衡问题,将合成少数类过采样技术(syntheticminorityoversamplingtechnique,SMOTE)与Tomeklinks方法相结

合进行数据处理,并利用传统机器学习方法和类别型特征提升(categoricalboosting,CatBoost)、轻量级梯度提升机算法(light

gradientboostingmachine,LightGBM)、梯度提升树(gradientboostingdecisiontrees,GBDT)、Stacking等集成学习方法进行训练

并完成测试。通过贝叶斯优化方法进行超参数调优,对比多种模型性能,最终的结果表明,以CatBoost、LightGBM、GBDT三个

模型作为Stacking基学习器的模型表现最佳,其预测准确率可以达到98.84%。这一发现表明该模型在偏头痛病症分型中具

有卓越的性能,同时为改善偏头痛病症分型的精确性和可靠性提供了有效的方法。

关键词偏头痛;病症分型;集成学习;Stacking

中图法分类号TP181;文献标志码A

EffectAnalysisofMigraineClassificationBasedonEnsembleLearning

CHENShu-wang,DUPeng-yu,CAIYu-xin∗

(CollegeofInformationScienceandEngineering,HebeiUniversityofScienceandTechnology,Shijiazhuang050018,China)

[Abstract]Asacommondisease,migrainehasalargepatientbaseandahighincidencerate,whichdeeplyaffectsthedailylifeof

patients.Withthecontinuousdevelopmentofartificialintelligencetechnology,machinelearninghasdevelopedrapidlyandachieved

goodresultsinthefieldsofdiseaseclassificationandprediction.Now,withthehelpofmachinelearningtechnology,aclassification

modelformigrainesymptomswasproposed.Toaddresstheissueofdataim