面向预测肢脑血栓死亡的可解释 LightGBM 方法
机器学习
2024-04-24 v1
摘要
肢脑血栓是全球死亡的主要原因之一，准确的风险预测对改善患者预后至关重要。机器学习技术在识别高风险患者和预测结果方面显示出前景。然而，患者数据常常包含大量信息且存在缺失值，这给特征选择和插补方法带来了挑战。本文调查了数据预处理任务的影响，并比较了三种提升树方法来预测肢脑血栓患者死亡风险。进一步，我们使用 Tree Shapley Additive Explanations 方法来识别所有特征之间的关系，以进行预测，从而充分利用可用数据进行分析。值得注意的是，我们的方法在不进行数据预处理的情况下，相对于其他现有机器学习方法实现了卓越的性能，LightGBM 的 F1 分数为 91.2%，准确率为 91.8%。
引用
@article{arxiv.2404.15029,
title = {Explainable LightGBM Approach for Predicting Myocardial Infarction Mortality},
author = {Ana Letícia Garcez Vicente and Roseval Donisete Malaquias Junior and Roseli A. F. Romero},
journal= {arXiv preprint arXiv:2404.15029},
year = {2024}
}
备注
This article has been accepted at the 2023 International Conference on Computational Science and Computational Intelligence (CSCI 23)