检索结果-内蒙古大学图书馆

环境与职业医学 2025年第2期42卷 157-164页

作者：莫有桦张鹏谷一硕朱晓俊樊晶光国家卫生健康委职业安全卫生研究中心国家卫生健康委粉尘危害工程防护重点实验室北京102308 广东药科大学公共卫生学院广东广州510240

[背景]轻量级梯度提升机算法(LightGBM)以其高效、快速等特点成为预测模型中的热门选择。然而,由于机器学习模型存在“黑盒”特性,导致模型可解释性较差。目前很少有研究从LightGBM模型及模型可解释性的角度评估职业伤害的严重程度。[目... 详细信息

[背景]轻量级梯度提升机算法(LightGBM)以其高效、快速等特点成为预测模型中的热门选择。然而,由于机器学习模型存在“黑盒”特性,导致模型可解释性较差。目前很少有研究从LightGBM模型及模型可解释性的角度评估职业伤害的严重程度。[目的]评估LightGBM模型及模型可解释性方法在职业伤害预测中的应用价值。[方法]应用美国矿山安全与健康管理局(MSHA)1983—2022年采矿业工人职业伤害数据集,以伤害程度(死亡/致命性职业伤害和永久/部分残疾)作为结局变量,以伤害发生的月份、年龄、性别、事故发生时间、轮班开始时间、事故发生时间与轮班开始时间间隔、总工龄、矿山总工龄、现矿山工龄、职业伤害致因、事故类型、伤害发生活动(即伤害发生时工人正在进行的活动)、伤害来源、受伤部位、作业环境类型、产品类别、伤害性质共17个指标作为预测变量。通过最小绝对收缩与选择算子算法(Lasso)回归方法筛选特征集。应用LightGBM构建职业伤害预测模型,以预测模型的曲线下面积(AUC)为主要评价指标,AUC越接近1,说明模型预测性能越好。应用Shapley加法解释(SHAP)法对模型可解释性进行评价。[结果]通过Lasso回归,识别出关键影响因素7个,分别为事故发生时间与轮班开始时间间隔、现矿山工龄、职业伤害致因、事故类型、受伤部位、伤害性质、作业环境类型。基于Lasso回归特征筛选构建的LightGBM模型预测性能良好,其AUC值、准确度、特异度、灵敏度分别为0.9941(95%CI:0.9917~0.9966)、0.9743、0.9781、0.9640,预测的致死性职业伤害概率与实际的致死性职业伤害概率一致性较高。在职业伤害预测模型中,通过SHAP值分析各指标的重要性,发现受伤部位和伤害性质是影响模型预测结果的两个主要特征,其他特征的影响较小。受伤部位的SHAP值分布广泛,尤其是头颈部和多部位的受伤,对预测致死性风险的模型有显著影响。伤害性质也对模型有不同方向的影响,窒息/溺水、挤压和多部位受伤对工人发生致死性职业伤害风险影响较大。[结论]LightGBM模型能够高效地处理大规模数据并提供高精度的预测结果。模型可解释性研究有助于更准确地探索、分析采矿业工人发生致死性职业伤害的各种风险关键因素,并进一步揭示这些因素间的复杂交互作用,从而为劳动工人提供更好的预防干预保护措施和最佳的资源配置。

关键词：职业伤害轻量级梯度提升机算法预测模型模型可解释性 Shapley加法解释

来源：评论

学校读者我要写书评

暂无评论

银行客户流失预警及模型可解释性分析

银行客户流失预警及模型可解释性分析

引用

作者：付雷华中农业大学

学位级别：硕士

目前,机器学习模型在多方面取得了很好的成果,为各行各业提供了解决问题的有效办法。在金融领域,机器学习因其优异表现已经得到众多学者的关注,但是对于结构过于复杂的模型,却很难解释模型决策背后的逻辑,仅能得到模型预测结果,使得模... 详细信息

目前,机器学习模型在多方面取得了很好的成果,为各行各业提供了解决问题的有效办法。在金融领域,机器学习因其优异表现已经得到众多学者的关注,但是对于结构过于复杂的模型,却很难解释模型决策背后的逻辑,仅能得到模型预测结果,使得模型成为黑盒模型,严重阻碍了机器学习在金融领域的应用。基于此背景下,本文以金融领域中的银行业务为例,建立银行客户流失预警模型,旨在有效识别银行潜在流失客户,并通过模型可解释性分析,挖掘出模型决策背后的有效信息,为防止客户流失提供数据参考与建议。首先根据原始数据特点进行数据清洗,主要包括缺失值处理以及重复样本处理。之后先通过特征粗筛去除只起到标记作用以及无统计意义的特征,再利用Lasso CV与皮尔逊相关系数法进行特征选择,进一步提升数据质量。同时银行数据还存在严重的不平衡性,使用BORDERLINE-SMOTE算法使得训练集平衡。接下来进行建模前的数据挖掘工作,包括可视化数据的分布情况、特征自身的规律、特征与研究目标的规律。在建模与模型解释方面分为两部分,第一部分首先建立了LR、随机森林、XGboost、light GBM,四种自身可解释的模型,对四种模型的结果利用ACC、F1＿score、Precision、Recall四个指标进行对比,然后分析了四个模型对特征的重要性评价。但是这四种自身可解释模型在本文最关注的流失客户查全率（Recall）指标上只能达到60%左右,因此第二个部分建立了支持向量机与DNN两种黑盒模型,经过指标对比,DNN的效果最好,流失客户查全率（Recall）可达86%。之后利用三种与模型无关的的解释方法进行解释,首先利用Shapley值解释每个特征和实例是如何影响模型结果的;然后利用部分依赖图（PDP）解释几个重要特征对模型结果影响的边际效应;最后利用局部代理模型（Lime）对黑盒模型进行局部替代,从而解释模型是如何对单个样本进行决策的。本文在精准识别流失客户的基础上,从黑盒模型中挖掘出有用的信息,从而为银行业务人员进行客户挽留工作提供数据信息,及时挽留客户,提高银行的收益。

关键词：模型可解释性客户流失机器学习模型无关解释

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的注塑制品克重预测及模型可解释性研究

基于机器学习的注塑制品克重预测及模型可解释性研究

引用

作者：叶永锋华南理工大学

学位级别：硕士

近年来,随着工业互联网的逐步发展完善与成熟,很多企业开始重视生产制造过程中的数据,都建立起了相应的数据采集平台、数据储存与管理系统来对海量生产数据进行收集与使用。但是,目前企业并没有对数据的应用场景进行深入挖掘,对数据的... 详细信息

近年来,随着工业互联网的逐步发展完善与成熟,很多企业开始重视生产制造过程中的数据,都建立起了相应的数据采集平台、数据储存与管理系统来对海量生产数据进行收集与使用。但是,目前企业并没有对数据的应用场景进行深入挖掘,对数据的利用率低,大量的数据资源被闲置浪费。针对上述问题,本文以注塑制品的克重为质量指标,将注塑加工过程信息与制品的质量品质联系起来,基于机器学习建立了相应的回归模型,实现对注塑制品克重的高精度预测。同时,利用可解释性方法对模型进行解释,进一步提升用户对模型的理解以及信任程度。论文的主要研究内容如下:(1)采用东华机械iSee4.0系统作为注塑加工过程参数的数据采集平台,并在注塑机设备上进行注塑制品制样,获取每一模次制品的克重数据,最终合并形成注塑过程数据集,共含有1129条样本数据。对采集得到的数据集进行了异常值处理以及训练集、测试集划分,选用可决系数、均方误差、平均绝对误差作为回归预测任务的评估指标。(2)对比了不同特征工程方法在注塑过程数据集中的表现,最终确定互信息法为本文数据集合适的特征选择方法。同时,基于特征筛选后的数据集,使用单一模型、同质融合模型、异质融合模型对注塑制品的克重预测进行研究,发现使用Stacking方法将单一模型中的支持向量机、神经网络以及同质融合模型中的随机森林和XGBoost进行异质模型融合,可以有效提高制品克重预测结果的准确性,因此选择Stacking融合模型作为制品克重最终的预测模型。(3)使用算法原理、特征置换以及SHAP三种可解释性方法对注塑制品的克重预测模型进行解释研究,并利用皮尔逊相关系数对不同解释方法下各模型的全局解释结果进行一致性分析,最终确定使用SHAP方法对Stacking融合模型进行解释,给出预测模型的全局解释与局部解释,进一步提升了用户对模型预测过程的理解以及对模型预测结果的信任。

关键词：机器学习注塑制品克重预测模型可解释性

来源：评论

学校读者我要写书评

暂无评论

特征选择与模型可解释性在代谢综合征风险预测中的应用研究

特征选择与模型可解释性在代谢综合征风险预测中的应用研究

引用

作者：张燕新疆医科大学

学位级别：硕士

目的:数据挖掘技术在健康体检大数据研究中展现了出色的性能,但在实际应用中仍然面临数据冗余及模型可解释性两大难题。研究以代谢综合征为切入点,分析与评价特征选择和模型可解释性方法在处理健康体检大数据冗余及预测模型难以解释中... 详细信息

目的:数据挖掘技术在健康体检大数据研究中展现了出色的性能,但在实际应用中仍然面临数据冗余及模型可解释性两大难题。研究以代谢综合征为切入点,分析与评价特征选择和模型可解释性方法在处理健康体检大数据冗余及预测模型难以解释中的应用价值。方法:收集乌鲁木齐市某健康体检机构近三年体检数据,进行删除、填补等预处理后剩余39134份。采用特征选择方法(RFE、m RMR、Lasso)进行特征筛选,基于特征子集构建代谢综合征风险预测模型(logistic回归、随机森林、XGBoost),利用准确率、灵敏度、特异度、约登指数、AUC值进行分类性能的评价,以选择最优的特征子集和预测模型。采用列线图、不依赖模型的事后可解释性方法(变量重要性、PDP、LIME)进行预测模型结果的解释。结果:(1)m RMR、RFE、Lasso分别筛选出23、18、23个体检指标,可有效解决体检数据冗余难题。(2)基于三种特征选择数据集构建的XGBoost模型分类性能均优于原始数据集;三种特征选择方法中,基于RFE特征选择子集构建的模型分类性能较优于m RMR和Lasso;在不同的数据集中均显示XGBoost模型的综合分类性能(AUC值)高于logistic回归、随机森林。(3)研究利用变量重要性、部分依赖图、LIME三种不依赖模型的事后可解释性方法对最优的代谢综合征风险预测模型进行全局和局部的解释,不同的可解释性方法对模型结果的解释有不同见解,与列线图相比,其在模型选择方面更具有灵活性,可形象直观的展示模型做出决策的过程及原因。结论:特征选择可有效解决体检数据冗余难题并提高模型的分类性能。模型可解释性方法应用于黑盒模型,不仅可实现模型应用的灵活性,而且能弥补模型不可解释的缺陷。特征选择结合模型可解释性方法在健康体检大数据及疾病风险预测领域具有一定的可行性和应用价值。

关键词：数据挖掘机器学习特征选择模型可解释性风险预测模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的农作物产量品质监测及模型可解释性研究

基于深度学习的农作物产量品质监测及模型可解释性研究

引用

作者：陈博謇杭州电子科技大学

学位级别：硕士

我国作为农业大国,如何提高作物产量和品质一直是我国农业生产中的重点难点问题之一。高效准确的作物监测方法是实现绿色可持续植保的重要基础,也是近年来的热点课题。虽然传统机器学习方法在多种农业场景中实现了对农产品的自动监测,... 详细信息

我国作为农业大国,如何提高作物产量和品质一直是我国农业生产中的重点难点问题之一。高效准确的作物监测方法是实现绿色可持续植保的重要基础,也是近年来的热点课题。虽然传统机器学习方法在多种农业场景中实现了对农产品的自动监测,但在特征选择上依旧需要人为干预,并且需要在不同农业场景下对模型进行较大的调整,导致检测和识别效率低下。随着深度学习技术和计算机设备的快速发展,深度学习技术以效率高、泛化性强以及鲁棒性好等特点被广泛应用于作物监测及病虫害识别等众多农业领域。尽管深度学习技术在作物识别与检测方面都取得了较好的效果,并且在作物产量和品质检测方面也越来越受到重视,但依旧面临着诸多挑战。如在深度学习模型的训练过程中,学者们通常只是对农产品简单拍摄,而在图像采集过程中忽略了作物本身的特性;模型针对农业小目标检测的能力有待提高;深度学习模型虽然优点众多,但模型的黑盒特性,导致农学研究者对其内部的运行机制了解不足。针对上述问题,本文首先利用荧光检测技术,以VGG和Res Net模型为基础,提取了西湖龙井、毛峰等5种知名茶叶的叶绿素荧光特征,最终获得95%的最佳茶叶分类准确率。进一步分析荧光、白光以及单通道图像分类结果,证实了结合深度学习分类模型的荧光检测技术确实有助于提升模型性能,提高茶叶分类的准确率,从而降低人工分类成本,缓解茶叶市场以次充好的现象。此外,虫害精准检测对于作物产量和品质监测至关重要,有效的虫害检测模型可以辅助农业生产中的虫害预防工作,并对作物产量品质提升具有重要指导作用。因此,我们以作物生长过程中收集的虫害数据为研究对象,研究了基于注意力机制的虫害检测模型。以YOLOv5模型为基础,引入多种注意力模块和Transformer模型对YOLOv5模型进行改进,最终模型的最高m AP达到51.2%,并且在虫害的预测类别分数以及小目标虫害检测方面都得到较大提升。最终得到高精度虫害检测的Swin-YOLOv5模型,以及快速虫害检测场景的New＿YOLO＿CBAM模型。该研究对于指导虫灾的精准判断、虫灾的预警与防治以及提高作物产量和品质等农业工作具有重要意义。针对目前深度学习在农业应用中的黑盒现象,以水果病害叶片为研究对象,设计了三组分类实验,利用VGG和Res Net模型进行分类,Res Net模型明显更好,其准确率分别是99.11%、99.40%、99.89%。随后在Res Net分类模型中应用CBAM模块提高模型的特征提取能力,并通过Grad CAM可解释性算法对结果进行分析,证实了模型在不同分类任务中对特征关注点不同,并且Res Net50-CBAM模型和Grad CAM算法相结合所呈现的结果更易于人们理解,使得模型可解释性更强。可解释性算法有利于提高模型的透明度和可信度,帮助农业学者更好的理解模型内部运行机制,从而提高学者对现代化计算机视觉技术的快速应用与扩展。

关键词：深度学习注意力机制作物分类目标检测模型可解释性

来源：评论

学校读者我要写书评

暂无评论

基于深度学习和模型可解释性方法的互联网话题检测研究

基于深度学习和模型可解释性方法的互联网话题检测研究

引用

作者：陈祺对外经济贸易大学

学位级别：硕士

近年来,伴随互联网技术的快速发展,人们热衷于使用在线网络平台表达自己的生活。某一观点或突发事件的出现,可能会引起用户极大兴趣,并发布相关话题的信息。对这些话题的挖掘,可以帮助研究者了解实时信息,辅助政府进行舆情预警、舆论指... 详细信息

近年来,伴随互联网技术的快速发展,人们热衷于使用在线网络平台表达自己的生活。某一观点或突发事件的出现,可能会引起用户极大兴趣,并发布相关话题的信息。对这些话题的挖掘,可以帮助研究者了解实时信息,辅助政府进行舆情预警、舆论指导等工作。因此,本论文结合基于自然语言处理的深度学习预训练模型和模型可解释性方法,实现互联网平台发布信息的目标话题提取。本文以统计学理论为核心,结合深度学习在自然语言处理方面的最新进展,采用比较研究、统计分析等多种研究手段,对互联网社交平台“推特”用户所发消息的关键词检测方法展开研究,并提出基于两段式计算的BERT-SHAP方法和BERT-LIME方法。首先,本文针对传统的话题检测模型与方法进行充分调研,并建立基于传统概率统计方法的基线模型。其次,本文引入近年来迅速发展的预训练模型,通过微调等方式训练目标话题检测能力,在低资源的情况下,充分利用模型中通用的语法语义知识,取得了较好的效果;此外,本文探究了模型可解释性方法与深度学习结合的效果,通过SHAP、LIME等模型可解释性方法,将预训练模型检测出的包含目标话题的关键词进行提取,最终完成目标关键词的识别。最后,本文采用假设检验方法,比较了验证传统方法与本文提出的目标关键词检测方法的优劣,并对结果进行了总结分析。

关键词：预训练模型模型可解释性话题检测

来源：评论

学校读者我要写书评

暂无评论

一种即时软件缺陷预测模型及其可解释性研究

引用

小型微型计算机系统 2022年第4期43卷 865-871页

作者：陈丽琼王璨宋士龙上海应用技术大学计算机科学与信息工程学院上海201418

即时软件缺陷预测是保障软件安全与质量相统一的必要途径,在软件工程领域受到越来越多的关注.然而,现有数据集存在特征冗余和特征相关性低的情况,极大影响了即时软件缺陷预测模型的分类性能和稳定性.此外,分析缺陷数据特征对模型的影响... 详细信息

即时软件缺陷预测是保障软件安全与质量相统一的必要途径,在软件工程领域受到越来越多的关注.然而,现有数据集存在特征冗余和特征相关性低的情况,极大影响了即时软件缺陷预测模型的分类性能和稳定性.此外,分析缺陷数据特征对模型的影响尤为重要,但如今对软件缺陷预测模型进行解释性研究较少.针对这些问题,文章基于6个开源项目的227417个代码级变更的大规模实证研究,创新性地选择了SHAP+SMOTEENN+XGBoost(SHAP-SEBoost)构建即时软件缺陷预测模型.首先通过SHAP(SHapley Additive exPlanation)模型可解释器分析初始数据集特征,并根据分析结果对数据集进行相应的特征选择与组合.然后,利用SMOTEENN对类不平衡的缺陷数据进行正负样本均衡化,使用集成学习算法XGBoost对实验数据进行预测建模.最后,使用SHAP对本文模型进行可解释性分析.实验结果表明SHAP-SEBoost有效地提高了分类性能,与基线模型以及近年优秀模型相比AUC平均提高11.6%,F1平均提升33.5%.

关键词：即时软件缺陷预测模型可解释性特征工程集成学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的肌肉疲劳检测模型及其可解释性研究

基于深度学习的肌肉疲劳检测模型及其可解释性研究

引用

作者：冯志宏中国科学技术大学

学位级别：硕士

人体肌肉长期进行重复性动作后,会逐渐进入疲劳状态而影响工作状态,在特定场景下会产生极大的安全隐患,如操作疲劳、智能假肢佩戴疲劳和训练疲劳等,因此如何对肌肉状态进行准确判别和评估在康复医学、可穿戴设备和辅助训练等领域均有重... 详细信息

人体肌肉长期进行重复性动作后,会逐渐进入疲劳状态而影响工作状态,在特定场景下会产生极大的安全隐患,如操作疲劳、智能假肢佩戴疲劳和训练疲劳等,因此如何对肌肉状态进行准确判别和评估在康复医学、可穿戴设备和辅助训练等领域均有重要的应用和社会经济价值。基于表面肌电(surface ElectroMyoGraphy,sEMG)信号检测技术作为一种安全无创的生理信号采集手段,被广泛应用于肌肉疲劳检测任务中。使用统计学方法和传统的机器学习方法完成疲劳状态检测需要依赖大量的人工操作,缺乏实时性和准确性,且大部分研究者都只针对特定某种肌肉进行疲劳检测,而且数据处理方式局限于sEMG数据提取或改进几种时频域特征,并不具有普遍适用性。而深度学习模型在智能分析评估领域表现杰出,能很好的迁移应用到肌肉疲劳评估领域,但是因为其黑盒特性缺乏一定的可靠性。因此针对上述问题,本文开展了疲劳评估模型及其可解释性方法研究:依托中国人民解放军空军特色医学中心,采集了 30名无颈腰椎疾病的志愿者在模拟飞行训练过程中共8块肌肉的sEMG信号,经过划窗分割等预处理手段后生成了包含非疲劳期、过渡期和疲劳期3类样本总量为28万的数据集。设计多种数据处理方式和对应的深度学习模型,从多角度深入研究基于深度学习的sEMG信号的肌肉疲劳评估技术。数据结构层面设计了时间序列、特征序列、时频图三种数据结构,在分类模型层面设计了一种适用三种数据结构的通用模型TFSesNet以及适用单种数据结构的特定任务模型,由此对比研究不同数据结构在使用同种深度模型和特定任务模型下的分类效果。进一步分析评估模型的决策逻辑,针对特定深度学习模型进行可解释性方法研究,量化数据特征和决策结果的相关性分布,增加可信度。实验结果表明,在使用不同数据结构进行肌肉疲劳状态评估任务中,对应模型能够达到97.2%～99.2%的准确率。其本论文设计的TFSesNet(T-time,F-feature,S-Spectrogram)通用架构学习到了不同肌肉之间共性关系,普适性强,优于传统方法。且在使用特征序列这一数据处理方式时,该评估模型不仅能够达到97.38%的准确率,还拥有耗时少、占用内存少的优点,具有较高实时运算的综合性能,适用于小型化便携设备应用。进一步地,本文基于梯度积分法原理深入研究了模型的可解释性,得到了在算法决策中不同特征与分类结果的相关性分布,增强了其在肌肉疲劳检测任务上决策机理的可靠性,为算法优化提供了可能。

关键词：肌肉疲劳检测 sEMG 深度学习模型可解释性

来源：评论

学校读者我要写书评

暂无评论

利用LIME对脓毒症预测模型进行可解释性分析

引用

计算机应用 2021年第S01期41卷 332-335页

作者：黄艺龙秦小林陈芋文张力戈易斌中国科学院成都计算机应用研究所成都640041 中国科学院大学北京100049 中国科学院重庆绿色智能技术研究院重庆400714 陆军军医大学第一附属医院重庆400038

针对机器学习应用于脓毒症预测存在预测准确率低和可解释性不足的问题,提出了利用LIME对基于机器学习的脓毒症预测模型进行可解释性分析。模型由预测和解释两部分组成:预测部分使用XGBoost和线性回归(LR),首先通过XGBoost进行特征提取,... 详细信息

针对机器学习应用于脓毒症预测存在预测准确率低和可解释性不足的问题,提出了利用LIME对基于机器学习的脓毒症预测模型进行可解释性分析。模型由预测和解释两部分组成:预测部分使用XGBoost和线性回归(LR),首先通过XGBoost进行特征提取,再利用LR对提取到的特征进行分类;解释部分使用LIME模型提取出关键的预测指标对模型进行解释。实验结果表明,通过XGBoost+LR模型进行脓毒症预测的准确率为99%,受试者工作特征曲线下面积(AUROC)为0.984,优于单独使用XGBoost(准确率:95%,AUROC:0.953)和LR(准确率:53%,AUROC:0.556)或者LGBM(准确率:90%,AUROC:0.974),同时通过LIME能有效地提取出前10个最重要的指标,对脓毒症预测模型进行可解释性分析,提高了模型的可信度。

关键词：脓毒症机器学习 XGBoost 模型可解释性 LIME

来源：评论

学校读者我要写书评

暂无评论

反事实解释框架在慢性阻塞性肺疾病急性加重患者治疗效果预判模型中的应用

引用

中华疾病控制杂志 2025年第04期 461-467+480页

作者：原一玮何航帜胡晓娟董涛靳婕赵卉张岩波山西医科大学公共卫生学院卫生统计学教研室重大疾病风险评估山西省重点实验室山西医科大学管理学院医学信息技术教研室山西医科大学第二医院呼吸与危重症医学科

目的针对慢性阻塞性肺疾病急性加重(acute exacerbation of chronic obstractive pulmonary disease, AECOPD)住院患者，构建结合反事实解释框架的机器学习(machine learning, ML)模型，精准预测患者住院疗效并提供临床决策支持。方法... 详细信息

目的针对慢性阻塞性肺疾病急性加重(acute exacerbation of chronic obstractive pulmonary disease, AECOPD)住院患者，构建结合反事实解释框架的机器学习(machine learning, ML)模型，精准预测患者住院疗效并提供临床决策支持。方法选择2012―2020年因AECOPD于山西医科大学第二医院住院的患者3 046例，以中位住院时长内是否好转出院作为结局变量，构建5种ML预测模型并进行性能对比。最后使用反事实框架解释最优模型并提供干预方案。结果 CatBoost(categorical boosting)模型的综合性能最好，受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)为0.748、准确率为68.4%、精确率为70.6%、召回率为69.1%、F1值为69.8%、布里尔分数为20.4%,校准曲线接近对角线。通过反事实解释框架直观呈现了患者的结局发生机制，生成的可干预方案可协助医生改善AECOPD患者的住院疗效。结论在仅使用常规电子医疗病历数据的情况下，基于CatBoost的预测模型可实现对AECOPD患者住院疗效的预测，结合反事实解释框架可为医生提供针对AECOPD患者的个性化干预方案，为临床决策提供可靠的依据。

关键词：慢性阻塞性肺疾病急性加重机器学习预测模型模型可解释性反事实解释

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：