面向专业人士的抑郁预测模型-中介堆叠集成方法
机器学习
2025-06-18 v1
摘要
抑郁是重大精神健康问题，尤其在专业环境中更为突出，因为工作相关压力、财务压力和生活失衡会导致健康状况恶化。尽管意识不断提高，研究人员和实践者面临着在精神健康疾病中开发准确且可推广的预测模型的关键挑战。传统分类方法常因抑郁受多因素、相互依存因素影响（包括职业压力、睡眠模式和工作满意度）而难以处理。本研究通过提出基于堆叠的集成学习方法来提高抑郁分类的预测准确性。本研究从 Kaggle 收集了抑郁专业人士数据集。该数据集包含影响心理福祉的人口统计信息、职业属性和生活方式特征。我们的堆叠模型集成了多个基学习器，由 logistic 回归中介模型有效捕捉不同学习模式。实验结果表明，所提出的模型在训练数据上达到 99.64% 的准确率，在测试数据上达到 98.75% 的准确率，精确率、召回率和 F1 分数均超过 98%。这些发现凸显了集成学习在精神健康分析中的有效性，并强调其在早期检测和干预策略中的潜在价值。
引用
@article{arxiv.2506.14459,
title = {A Model-Mediated Stacked Ensemble Approach for Depression Prediction Among Professionals},
author = {Md. Mortuza Ahmmed and Abdullah Al Noman and Mahin Montasir Afif and K. M. Tahsin Kabir and Md. Mostafizur Rahman and Mufti Mahmud},
journal= {arXiv preprint arXiv:2506.14459},
year = {2025}
}