基于CNN-Lasso-XGBoost的中医痛经方剂预测模型

摘要

针对中医痛经诊疗中四诊信息特征复杂繁多与单一机器学习模型处理多特征数据精度不足的双重挑战，构建CNN-Lasso-XGBoost混合模型，卷积神经网络（CNN）通过3层卷积-池化结构对原始四诊数据进行多层非线性变换，捕捉症状间的局部关联特征。离散的四诊特征经分类后编码重构为二维矩阵输入CNN,Lasso回归通过L1正则化惩罚项对特征向量进行稀疏化处理，依据系数绝对值筛选出28个关键特征，有效去除与方剂分类无关的冗余信息，形成低维高效的特征空间。最终，XGBoost集成学习模型基于优化后的特征子集完成方剂分类，实验结果表明，基于CNN-Lasso-XGBoost方剂分类预测模型在痛经数据集上准确率达到93.93%，相较于其他机器学习模型准确率提升1.53%～4.66%，并且在肺癌公开数据集上模型准确率达到98.39%，优于部分现有模型，验证本文模型的有效性和泛化能力。

关键词

痛经方剂 / 特征选择 / 卷积神经网络 / 预测模型