XGBoost-SHAP機器學(xué)習(xí)可解釋框架用于輕度認(rèn)知障礙分類研究

摘要： 目的 利用機器學(xué)習(xí)算法對輕度認(rèn)知障礙(mild cognitive impairment, MCI)亞型分類有利于患者的個性化治療，而復(fù)雜模型常因分類過程的內(nèi)部機制不可洞察而飽受詬病，本研究借助可解釋技術(shù)梳理模型的輸出結(jié)果，以期為相關(guān)領(lǐng)域研究者的決策提供統(tǒng)計支持。方法 本研究聯(lián)合極限梯度提升(eXtreme Gradient Boosting, XGBoost)與沙普利可加性(... （共7頁）