《表1 三种分类方法在测试集中预测准确率的比较Tab.1 Comparisons of prediction accuracy fortest sets using three classificat

  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

《基于机器学习的肿瘤免疫治疗应答预测研究》

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

为了验证本文模型的有效性，将随机森林模型与将Logistic回归分析和XGBoost两种方法的分类效果进行比较。随机将60例病人样本分为48个训练集样本和12个测试机样本，分别使用随机森林、Logistic回归分析和XGBoost三种方法进行建模，重复上述方法五次，并对相同分组得到的三种模型，进行准确率和ROC曲线曲线下面积比较。三种模型的准确率的比较如表1所示，三种模型的ROC曲线及AUC的比较如图3中（a）（b）（c）（d）（e）所示，随机森林算法五次建模的ROC及平均的AUC如图3中（f）所示。从图3和表1中可以发现，随机森林算法在本研究中明显优于Logistic回归和XGBoost方法，随机森林算法构建出的模型预测平均准确率达到84.9%，优于XGBoost的61%和Logistic回归的60%；随机森林模型的平均ROC曲线下面积也达到0.914，明显大于XGBoost和Logistic回归。