《表4 不同机器学习模型的预测性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《不同机器学习算法在高龄骨科患者术后低蛋白血症风险预测模型中使用效果的评估》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

经过在训练集上对7个机器学习模型进行参数调节优化，获得了优化后的预测模型以及在测试集上进行测试后得到评价指标值，XGBoost模型、决策树Decision Tree模型和随机森林Random Forest模型等7个不同机器学习模型的预测性能对比（表4）。通过表4可以看出，在准确度方面，SVC（Support Vector Machine，支持向量机）模型表现最优，其准确率比Random Forest、LR(logistic regression，逻辑回归）模型高约4%。7种模型的召回率差异较为明显，以SVC、LR最佳（达95.00%），Decision Tree、XGboost、GBDT（Gradient Boosting Decision Tree，梯度提升决策树）、Adaboost(adaptive boosting，自适应提升）次之（均为70.00%），Random Forest最差（仅达65.00%）。综合，F值以SVC最佳（0.87），说明支持向量机模型的总体预测性能较好。