一种融合不同超参数调优机器学习算法的改进集成模型用于胎儿健康预测
机器学习
2023-05-30 v1 人工智能
摘要
胎儿健康是孕期的重点关注问题，因其可能影响母婴福祉。定期监测与及时干预对于确保最佳结局十分必要。尽管存在多种监测宫内胎儿健康的方法，人工智能（AI）的使用可提升诊断的准确性、效率与速度。在本研究中，我们提出了一种称为调优支持向量机与 ExtraTrees 集成（ETSE）的鲁棒集成模型，用于预测胎儿健康。起初，我们采用了多种数据预处理技术，如离群值剔除、缺失值填补、数据标准化与数据采样。随后，实现了七种机器学习（ML）分类器，包括支持向量机（SVM）、XGBoost（XGB）、轻量梯度提升机（LGBM）、决策树（DT）、随机森林（RF）、ExtraTrees（ET）和 K 近邻。对这些模型进行评估后，采用网格搜索技术通过超参数调优进行优化。最后，我们分析了所提 ETSE 模型的性能。各模型性能分析表明，我们的 ETSE 模型以 100% 精确率、100% 召回率、100% F1 分数和 99.66% 准确率优于其他模型。这表明 ETSE 模型能有效预测胎儿健康，有助于及时干预并改善母婴结局。
引用
@article{arxiv.2305.17156,
title = {An Improved Model Ensembled of Different Hyper-parameter Tuned Machine Learning Algorithms for Fetal Health Prediction},
author = {Md. Simul Hasan Talukder and Sharmin Akter},
journal= {arXiv preprint arXiv:2305.17156},
year = {2023}
}
备注
23 pages, 6 Tables, 5 Figures