Copyright
©The Author(s) 2025.
世界华人消化杂志. 2025-03-28; 33(3): 199-206
在线出版 2025-03-28. doi: 10.11569/wcjd.v33.i3.199
在线出版 2025-03-28. doi: 10.11569/wcjd.v33.i3.199
表3 10种机器学习模型构建肝硬化患者发生院内感染的性能评估
AUC(95%CI) | 准确率 | 精确率 | 召回率 | F1-score | |
Logistic | 0.889(0.845-0.933) | 0.738 | 0.55 | 0.953 | 0.697 |
SVM | 0.892(0.848-0.935) | 0.743 | 0.556 | 0.938 | 0.698 |
GBM | 0.885(0.838-0.932) | 0.752 | 0.569 | 0.906 | 0.699 |
NeuralNetwork | 0.889(0.844-0.933) | 0.782 | 0.616 | 0.828 | 0.707 |
RandomForest | 0.821(0.762-0.881) | 0.837 | 0.915 | 0.672 | 0.775 |
Xgboost | 0.882(0.832-0.932) | 0.762 | 0.58 | 0.906 | 0.707 |
KNN | 0.928(0.894-0.963) | 0.851 | 0.75 | 0.797 | 0.773 |
Adaboost | 0.806(0.741-0.871) | 0.792 | 0.704 | 0.594 | 0.644 |
LightGBM | 0.948(0.920-0.975) | 0.876 | 0.687 | 0.891 | 0.776 |
CatBoost | 0.874(0.826-0.921) | 0.772 | 0.598 | 0.859 | 0.705 |
引文著录: 顾晓菲, 梁晓洁, 董金玲. 基于机器学习构建肝硬化患者院内感染风险预测模型. 世界华人消化杂志 2025; 33(3): 199-206