基于机器学习算法的糖尿病前期预测模型构建及性能比较

摘要

目的：针对糖尿病前期人群识别难度大、传统预测模型性能受限的问题，提出一种融合特征筛选与超参数自动优化机制的集成学习模型，以提升预测准确性和模型稳定性。方法：构建基于Lasso特征筛选与优化算法的集成框架。Lasso在特征工程阶段剔除冗余变量，优化算法用于自动调节随机森林、支持向量机、极端梯度提升和自适应增强这4个基模型的关键参数。模型在训练测试集比例为3:1与4:1的两种设置下进行训练与测试，并以准确率、精确率、F1值及AUC为评价指标。结果：在比例3:1划分中，提出的模型与对比模型比较，AUC提升至0.837，准确率达到0.77,F1分数为0.76；在比例4:1划分中，提出模型的AUC提升至0.846，准确率与F1分数均为0.78。结论：本文提出的机器学习方法在糖尿病前期预测中表现出较强的判别能力，显著优于传统模型。该策略不仅提高模型性能，还增强自动化程度和临床应用潜力。

关键词

糖尿病前期预测 / 特征筛选 / 优化算法 / 集成学习

基金资助

北京市自然科学基金（L232129）; 中央高水平中医医院临床科研业务费资助项目（HLCMHPP2023006）; 京津冀基础研究合作专项项目（J200019）