基于XGBoost特征选择的疾病诊断XLC-Stacking方法

• 作者: 佟强 侯凌燕 岳鹏 杨大利
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 疾病诊断 特征选择 XGBoost CatBoost Stacking
• 年，卷（期）: 2020,（17）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 136-141
• 页数: 6页
• 分类号: TP391.4
• 字数: 4868字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1908-0337

摘要

针对医学疾病数据中存在特征冗余的问题,以XGBoost特征选择方法度量特征重要度,删除冗余特征,选择最佳分类特征;针对识别精度不高的问题,使用Stacking方法集成XGBoost、LightGBM等多种异质分类器,并在异质分类器中引入性能更好的CatBoost分类器提升集成分类器分类精度.为了避免过拟合,选择基层分类器输出的分类概率作为高层分类器输入.实验结果表明,提出的基于XGBoost特征选择的XLC-Stacking方法相比当前主流分类算法以及单一的XGBoost算法和Stacking方法有较大提升,识别的准确率和F1-Score达到97.73％和98.21％,更加适用于疾病的诊断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	侯凌燕	北京信息科技大学计算机开放系统实验室	35	151	7.0	11.0
2	杨大利	北京信息科技大学计算机开放系统实验室	45	116	6.0	9.0
3	岳鹏	北京信息科技大学计算机开放系统实验室	1	0	0.0	0.0
4	佟强	北京信息科技大学计算机开放系统实验室	1	0	0.0	0.0