基于问卷数据的机器学习短身体功能电池未来得分预测
机器学习
2025-08-08 v1
摘要
有效延缓老年人体能衰退的进程需要在首个症状显现时及时进行干预。本文分析了是否可以基于问卷数据预测短身体功能电池（SPPB）得分。测试的机器学习算法包括随机森林、XGBoost、线性回归、密集神经网络和 TabNet 神经网络。最佳结果由 XGBoost 实现，平均绝对误差为 0.79 分。基于Shapley值分析，我们选取了更小的特征子集（从 10 到 20 个），并重新训练 XGBoost 回归器，实现平均绝对误差为 0.82。
引用
@article{arxiv.2508.05222,
title = {ML-based Short Physical Performance Battery future score prediction based on questionnaire data},
author = {Marcin Kolakowski and Seif Ben Bader},
journal= {arXiv preprint arXiv:2508.05222},
year = {2025}
}
备注
Originally presented at: 2024 32nd Telecommunication Forum (TELFOR), Belgrade, Serbia