基于梯度提升回归树的疾病预测模型优化

本文旨在利用机器学习模型预测疾病发生的可能性。研究中构建了一系列模型，并通过调整模型的'超参数'来优化其预测性能。与参数较少的第一性原理模型不同，这些机器学习模型可能出现过拟合现象，导致其对新案例的预测能力下降。

为了解决这个问题，我们对模型进行了超参数调整，以优化其预测性能。具体而言，我们采用10倍交叉验证来估计新病例的预期预测误差。这意味着将数据划分为训练集和验证集，并在训练集上拟合模型，然后在验证集上评估其预测效果。

研究发现，随机森林(RF)和梯度提升回归树(GBRT)的性能优于支持向量回归(SVR)和核岭回归(KRR)。其中，GBRT模型的预测因子表现最佳，其决定系数(R2)为0.803，均方根误差(RMSD)为1.083。因此，我们将GBRT模型作为最终的预测模型，并将其命名为GBRT-1，用于后续的疾病预测研究。