基于Stacking模型的早产预测方法

摘要

为了解决传统机器学习模型在早产预测时综合性能不足的问题，提出一种基于Stacking模型的早产预测方法。首先，在数据预处理阶段，采用欠采样技术平衡正、负样本分布，并通过数据标准化消除变量间的数值差异；其次，通过分析特征之间的相关性和特征重要性分数，进行特征选择；然后，在Stacking模型构建时，通过分析机器学习算法预测结果间的皮尔逊相关系数，调整基分类器的类型和数量；最后，利用多种评价指标对基于Stacking模型的早产预测方法进行全面评估，并将其与现有方法对比分析，验证该方法的有效性。结果表明：所提方法在ROC曲线下面积(area under the curve, AUC)、准确率(Accuracy)、F1值和召回率(Recall)方面，分别达到了0.921 9、0.922 9、0.916 4和0.858 5,均优于搭建Stacking模型所用的11个单一模型的最佳表现，且整体性能优于现有研究方法。所提方法能够高效识别孕早期的早产高风险人群，为早产的提前干预提供有力支持。

关键词

人工智能其他学科 / 机器学习 / 集成学习 / 神经网络模型 / 早产预测