基于逻辑回归与XGBoost的冠心病风险预测模型比较研究——以UCI Heart Disease数据集为例

张开发
• 2026/4/19 19:50:37 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

基于逻辑回归与XGBoost的冠心病风险预测模型比较研究——以UCI Heart Disease数据集为例
基于逻辑回归与XGBoost的冠心病风险预测模型比较研究——以UCI Heart Disease数据集为例摘要冠心病是当前全球范围内致死率最高的心血管疾病之一，早期准确识别高危人群对于降低发病率和死亡率具有重要意义。本研究以UCI Heart Disease数据集为基础，系统比较了逻辑回归与XGBoost两种机器学习模型在冠心病风险预测中的性能表现。研究涵盖数据预处理、特征工程、模型构建、超参数优化及多维度性能评估等完整流程。实验结果表明：逻辑回归模型作为一种广义线性模型，具有参数可解释性强、训练效率高、在小样本场景下泛化稳定性好等优势；而XGBoost作为集成学习框架，通过梯度提升与正则化约束能够有效捕捉特征间的非线性交互关系，在准确率、F1分数、AUC等指标上均优于逻辑回归。本文还借助SHAP框架对XGBoost模型进行可解释性分析，量化各临床指标对预测结果的贡献程度，为冠心病风险评估的临床应用提供了方法学参考。关键词：冠心病预测；逻辑回归；XGBoost；机器学习；模型比较；可解释性分析一、引言1.1 研究背景心血管疾病已成为全球范围内威胁人类健康的首要死因。据世界卫生组织统计，每年约有1790万人死于心血管疾病，占全球总死亡人数的32%，其中冠心病占据了相当大的比重[reference:0]。随着全球人口老龄化进程加速以及肥胖、糖尿病等代谢性疾病患病率的持续攀升，冠心病的发病率呈现逐年上升且年轻化的趋势。在中国，心血管疾病导致的死亡

更多文章