《表2 不同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

《基于CatBoost算法的中青年颈动脉粥样硬化预测方法》

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

利用测试样本对Logistic回归和神经网络方法建立的模型进行验证，通过输出值分析所有模型的预测性能，结果如表2所示。CatBoost模型的准确率和AUC明显高于Logistic回归模型和神经网络模型。基于全变量的CatBoost模型准确率和AUC分别为86.5%和0.89；而基于高相关性变量的CatBoost模型准确率和AUC最高，分别为90.3%和0.92。单独分析Logistic回归和神经网络模型，发现Logistic回归模型具有最低的准确率和AUC，分别为64.1%和0.72。神经网络模型性能有所提高，其中基于高相关性变量神经网络模型的准确率在71.3%，AUC为0.78。