《表3 test＿size=0.3时四种模型在测试集上的性能对比》

  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XGBoost的乳腺癌预测模型》

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

通过表2、表3，表4中的对比结果可知，四种模型在不同的训练集和测试集比例划分下，基于XGBoost的乳腺癌预测模型的准确率、特异性两个指标均优于其他三个预测模型，仅在当测试集占比20%（test＿size=0.2）时，基于XGBoost的乳腺癌预测模型的灵敏度相较于AR-SVM、SVM两个模型较低，但是当test＿size=0.3和test＿size=0.5时基于AR-SVM和SVM的模型的灵敏度下降得极快，而基于XGBoost的预测模型的灵敏度均不低于95%。当测试集占比从20%（test＿size=20%）增加到30%（test＿size=0.3）再到50%（test＿size=0.5）的过程，中基于MR-SVM的预测模型的灵敏度从89.59%降低到83.91%，再降低至75.74%，基于AR-SVM的预测模型的灵敏度从99.01%降低到76.87%，最后降至61.74%，而基于SVM的预测模型则从98.62%降低到79.35%，再到最后的68.85%，由此可以看出基于XGBoost的乳腺癌预测模型相较于其他三个模型具有更好的泛化能力。