简约的力量：为何简单线性模型优于复杂机器学习技术——以乳腺癌诊断为例
机器学习
2023-06-06 v1
摘要
本研究探讨了在乳腺癌诊断中简单线性模型与复杂机器学习技术的有效性，强调了在医学领域可解释性与计算效率的重要性。我们聚焦于逻辑回归（LR）、决策树（DT）和支持向量机（SVM），并使用 UCI 机器学习库数据集优化其性能。我们的结果表明，更简单的线性模型 LR 优于更复杂的 DT 和 SVM 技术，其测试分数均值为 97.28%，标准差为 1.62%，计算时间为 35.56 ms。相比之下，DT 的测试分数均值为 93.73%，SVM 的测试分数均值为 96.44%。LR 的优越性能可归因于其简洁性与可解释性，这提供了对输入特征与结果之间关系的清晰理解。这在医学领域尤为宝贵，其中可解释性对决策至关重要。此外，LR 的计算效率在可扩展性与实际适用性方面具有优势。本研究结果凸显了在乳腺癌诊断背景下简约的力量，并表明像 LR 这样的简单线性模型比复杂模型更有效、可解释且计算高效，使其成为医学应用中更合适的选择。
引用
@article{arxiv.2306.02449,
title = {The Power Of Simplicity: Why Simple Linear Models Outperform Complex Machine Learning Techniques -- Case Of Breast Cancer Diagnosis},
author = {Muhammad Arbab Arshad and Sakib Shahriar and Khizar Anjum},
journal= {arXiv preprint arXiv:2306.02449},
year = {2023}
}
备注
15 pages, 6 figures, conference or journal