ارزیابی مقایسه ای مدل های پیشرفته یادگیری ماشین در پیش بینی ریسک سلامت فاکتورهای سبک زندگی

بر اساس با افزایش شیوع بیماری های غیرواگیر مرتبط با سبک زندگی توسعه مدل های دقیق پیش بینی ریسک سلامت از اهمیت بالایی برخوردار است. این مطالعه با هدف مقایسه سیستماتیک عملکرد مدل های کلاسیک و پیشرفته یادگیری ماشین در پیش بینی سطوح ریسک سلامت انجام شد. بدین منظور از دیتاست استانداردی یادگیری ماشین بوستینگ که از سایت کگل قابل دانلود است و شامل ۱۰۰۰۰ نمونه و ۱۰ ویژگی کلیدی سبک زندگی می باشد استفاده شد. برای مقایسه مدل های مختلف از معیارهای دقت، صحت، ترکیبی فراخوانی و نتیجه ارزیابی الگوریتم ها نشان می دهد که مدل های پیشرفته بوستینگ به ویژه XGBoost و LightGBM، ابزارهای قدرتمندی برای پیش بینی ریسک سلامت محسوب می شوند و می توانند در سیستم های پشتیبانی تصمیم گیری بالینی مورد استفاده قرار گیرند.

کلیدواژه ها:

پیش بینی ریسک سلامت ، سبک زندگی