基于机器学习构建肝硬化患者院内感染风险预测模型

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

AUC: 受试者工作特征曲线下面积; Logistic: 逻辑回归; SVM: 支持向量机; GBM: 梯度提升机; NeuralNetwork: 神经网络; RandomForest: 随机森林; Xgboost: 极端梯度提升; KNN: K近邻算法; Adaboost: 自适应提升算法; LightGBM: 轻量级梯度提升机; CatBoost: 类别梯度提升.