CAMH COVID-19 心理健康数据的可解释多类分类
机器学习
2021-05-31 v1 计算机与社会
摘要
将机器学习算法应用于医学领域是一种新兴趋势，有助于推进医学知识的发展。与此同时，能够促进机器学习算法知情、透明且可解释应用的可解释研究明显不足。在本文中，我们提出了 COVID-19 心理健康数据的可解释多类分类。在机器学习研究中，我们旨在找出 COVID-19 大流行期间影响个人心理健康的潜在因素。我们发现随机森林（RF）和梯度提升（GB）的准确率最高，分别为 68.08% 和 68.19%，其中 LIME 预测准确率在 RF 上为 65.5%，在 GB 上为 61.8%。然后我们比较了事后系统（局部可解释模型无关解释，即 LIME）与事前系统（基尼重要性）在解释所得机器学习结果方面的能力。据这些作者所知，我们的研究是首个针对 COVID-19 大流行期间收集的心理健康数据的可解释机器学习研究。
引用
@article{arxiv.2105.13430,
title = {Explainable Multi-class Classification of the CAMH COVID-19 Mental Health Data},
author = {YuanZheng Hu and Marina Sokolova},
journal= {arXiv preprint arXiv:2105.13430},
year = {2021}
}
备注
22 pages, including Appendixes; 7 tables and 5 figures in the main text