|
| 参考 |
毫升技术 |
模型的性能 |
|
| (19] |
支持向量机(高斯内核) |
手足口病数据集(AC: 70.9%,精度:60.6%,SP: 78.0%, F1得分:55.7%,和回忆:55.9%)
破伤风的数据集(AC: 80.2%,精度:78.4%,SP: 53.4%, F1得分:86.0%,和回忆:98.1%) |
| (20.] |
NB、过滤分类器(FC)和射频 |
成功率的重量每个医疗变量(生命体征)影响预测 |
| (21] |
LR |
AUC: 0.68,回忆:60%,特异性:75%,精度:25%,净现值:93%,F1得分:35%,和MCC: 25% |
| (22] |
支持向量机 |
PFA: 30%, F1得分:74%,精度:71%,和回忆:78% |
| (23] |
无人监督的情绪分析 |
精度:77.3%,召回:68%,F1得分:72.4% |
| (24] |
注 |
中华民国:89.91%,SN: 47%, SP: 37% |
| (25] |
XGBoost算法 |
AUC: 0.97, SN: 81.9%, SP: 97.9% |
| (26] |
支持向量机 |
AC: 91.18%, SN: 100%, SP: 84.21%, PPV: 83.33%, F1得分:90.91%,AUC: 0.958 |
| (27] |
射频 |
AUC: 0.847, SN: 84.24%, SP: 91%,停止数据:12.779,停止
:0.120 |
| (28] |
EHR-based模型(算法)使用的研究没有提到 |
SN: 41.7%, SP: 96.7%, PPV: 41.7% |
| (29日] |
NB和LR |
AUC: 0.93, BSS:所有分类器实现积极的BSS分数 |
| (30.] |
XGBoost算法 |
AUC: 0.95, AC: 88%, SN: 88%,和SP: 89% |
| (31日] |
整体学习模型 |
AC: 99.73%,精度:99.46%,召回:100%,F1得分:99.73%,AUC: 0.9973 |
| (32] |
注 |
AUC大于:98%,SN: 44.44%,戊肝为96.67%,麻疹、SP:登革热96.36%和5 100%的疾病,中位数的总精度:97.41%,
- - - - - -指数:0.960 |
|
|
