事实上这些模型中的每一个都是作为一系列模型给出的这些模型由所谓的超参数参数化。一旦选择了超参数就可以将模型拟合到数据中。然而与参数很少的第一性原理模型不同这种 ML 模型可能会过度拟合对于预测新的案例研究变得毫无用处。必须调整超参数以便优化预测性能表 S3。为此新病例的预期预测误差通过 10 倍交叉验证来估计这意味着在数据的训练子集上拟合模型并在验证子集上验证预测。详细信息可在支持信息中找到。RF

这段话讨论了使用机器学习模型来预测疾病发生的可能性。这些模型需要超参数来调整，以便优化预测性能。为了评估模型的性能，使用了10倍交叉验证来估计新病例的预期预测误差。其中，RF和GBRT的性能优于SVR和KRR。最终选择了GBRT模型作为预测因子，因为它提供了最佳的预测性能。

原文地址: https://www.cveoy.top/t/topic/hwQp 著作权归作者所有。请勿转载和采集!