增强袋装集成回归以实现基于时间序列的糖尿病预测的数据集成
机器学习
2025-06-18 v1 人工智能
摘要
糖尿病是一种以血糖水平升高为特征的慢性代谢疾病，可导致心脏病、肾衰竭和神经损伤等并发症。准确的州级预测对于有效的医疗规划和针对性干预至关重要，但在许多情况下，必要分析的数据并不完整。本研究首先通过数据工程流程整合了 2011 年至 2021 年的糖尿病相关数据集，以创建全面的特征集。随后，我们提出了一种增强的袋装集成回归模型（EBMBag+），用于时间序列预测，以预测美国各城市的糖尿病患病率。评估了多个基线模型，包括 SVMReg、BDTree、LSBoost、NN、LSTM 和 ERMBag+，以与我们的 EBMBag+ 算法进行比较。实验结果表明，EBMBag+ 取得了最佳性能，平均绝对误差（MAE）为 0.41，均方根误差（RMSE）为 0.53，平均绝对百分比误差（MAPE）为 4.01，决定系数（R²）为 0.9。
引用
@article{arxiv.2506.13786,
title = {Enhancing Bagging Ensemble Regression with Data Integration for Time Series-Based Diabetes Prediction},
author = {Vuong M. Ngo and Tran Quang Vinh and Patricia Kearney and Mark Roantree},
journal= {arXiv preprint arXiv:2506.13786},
year = {2025}
}
备注
17th International Conference on Computational Collective Intelligence, LNAI, Springer, 11 pages