慢性肝病检测中的统一降维技术
机器学习
2024-12-31 v1
摘要
全球范围内，慢性肝病仍是重大健康关切，需精准预测模型进行快速检测和治疗。本研究使用来自加州大学欧文分校机器学习存储库的印度肝病患者数据集（ILPD），探讨了多种机器学习算法。本研究的主要焦点是该数据集，其中包含 583 名患者的医学记录，其中 416 名确诊患有肝病，167 名无肝病。本工作包括特征提取和降维方法，如线性判别分析（LDA）、因子分析（FA）、t 分布随机邻域嵌入（t-SNE）和统一曼哈顿逼近与投影（UMAP）。本研究旨在探讨这些方法在转换高维数据集和提高预测准确率方面的作用。为评估改进模型的预测能力，我们使用了多种分类方法，如多层感知器、随机森林、K 近邻和逻辑回归。令人惊讶的是，改进模型表现优异，随机森林在 10 折交叉验证中达到 98.31% 的准确率，在训练-测试分割评估中达到 95.79%。我们的发现为选择和使用针对慢性肝病患者的定制化特征提取和降维方法提供了重要的新视角，从而提高了预测模型的性能。
引用
@article{arxiv.2412.21156,
title = {Unified dimensionality reduction techniques in chronic liver disease detection},
author = {Anand Karna and Naina Khan and Rahul Rauniyar and Prashant Giridhar Shambharkar},
journal= {arXiv preprint arXiv:2412.21156},
year = {2024}
}