基于可解释机器学习的交互式糖尿病风险预测：基于Dash的SHAP、LIME方法及合并症洞察
机器学习
2025-05-12 v1 人工智能
摘要
本研究提出了一个基于Dash的交互式健康风险预测工具，用于评估糖尿病风险。我们使用机器学习模型构建该工具，基于2015年CDC BRFSS数据集。我们评估了包括逻辑回归、随机森林、XGBoost、LightGBM、KNN和神经网络在内的多种模型，并在原始数据、SMOTE和下采样策略下进行测试。LightGBM在下采样策略下实现了最佳召回率，使其适合风险检测。该工具集成了SHAP和LIME来解释预测结果，并利用皮尔逊分析显示合并症之间的相关性。基于Dash的用户界面实现了与模型预测、个性化建议和特征洞察的友好交互，支持数据驱动的健康意识。
引用
@article{arxiv.2505.05683,
title = {Interactive Diabetes Risk Prediction Using Explainable Machine Learning: A Dash-Based Approach with SHAP, LIME, and Comorbidity Insights},
author = {Udaya Allani},
journal= {arXiv preprint arXiv:2505.05683},
year = {2025}
}
备注
16 pages, 21 figures, submitted as a preprint for academic dissemination