计算机应用研究

作者：陈小昆,左航旭,廖彬,孙瑞娜,

单位：1.新疆财经大学统计与数据科学学院,乌鲁木齐830012；2.中国科学院信息工程研究所,北京100093；3.中国科学院大学网络空间安全学院,北京100093；

关键词：冠心病预测,XGBoost模型,SHAP模型,特征分析,

基金：国家自然科学基金资助项目(61562078,71563048)；新疆天山青年计划资助项目(2018Q073)；新疆高校研自科项目(XJEDU2021Y037)；新疆“天山雪松计划”青年拔尖人才计划资助项目；；

为了解决冠心病诊断模型中性能无法满足临床应用要求、缺乏可解释性的问题，提出一种融合XGBoost与SHAP的冠心病预测及其特征分析模型。在对数据集进行特征工程的基础上，将处理好的数据集输入XGBoost模型进行训练，并且对模型进行优化，进一步提高了模型的性能表现；其次，与基于SVM、朴素贝叶斯等六种机器学习模型以及八种主流机器学习模型进行实验对比，参数优化后的XGBoost模型在准确率、特异度、F1值和AUC值四个指标上分别达到0.994 2、0.997 0、0.994 1和0.999 8，均优于已有模型；最后引入SHAP框架增强模型可解释性，综合四种模型特征重要性排序结果，识别出影响冠心病的重要因素，为医生作出正确的诊断提供决策参考。

来源：2022年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第6期