Resumen

Se desarrolla una técnica mejorada de refuerzo de gradiente extremo ponderado no lineal (XGBoost) para pronosticar la duración de la estancia de pacientes con datos desequilibrados. En primer lugar, el algoritmo elige una técnica eficaz para ajustar la duración de la estancia y determinar la ley de distribución y, a continuación, optimiza la función de pérdida de probabilidad logarítmica negativa utilizando un método heurístico de ponderación no lineal basado en el porcentaje de la muestra. Los resultados teóricos y prácticos revelan que, en comparación con los algoritmos existentes, el método XGBoost basado en la ponderación no lineal puede lograr una mayor precisión de clasificación y un mejor rendimiento de predicción, lo que resulta beneficioso para tratar a más pacientes con menos camas hospitalarias.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:método heurístico de ponderación no lineal, función de pérdida de log-verosimilitud negativa, mejor rendimiento de predicción, menos camas de hospital, mayor precisión de clasificación, estancia, método XGBoost, ley de distribución, técnica eficaz, gradiente extremo
• Keywords:heuristic nonlinear weighting method, negative log likelihood loss function, better prediction performance, fewer hospital beds, higher classification accuracy, stay, XGBoost method, distribution law, effective technique, extreme gradient