论文部分内容阅读
目的：通过对比分析六种典型机器学习方法构建的PCI术后12个月MACE（主要不良心血管事件）风险预测模型,获得最优MACE风险预测模型。方法：利用随机抽样和SMOTE方法进行样本均衡化处理,再分别利用CART回归树、C4.5条件树、Ada Boost、Bagging、Random Forest（RF）和Na？ve Bayes六种机器学习方法构建MACE风险预测模型。结果：SMOTE方法处理后的训练集可以提高预测模型的预测能力。利用RF算法构建的模型预测精度达到88.7%,预测能力明显优于其他模型。结论：利