# 混合机器学习

多囊卵巢综合征的机器学习筛查长期只报告一个二分类准确率，掩盖了各临床亚型之间的差异。在541名患者的公开数据集上，调优后的随机森林各亚型准确率从最罕见亚型的75.0%到最常见亚型的97.8%，相差22.8个百分点，剔除用于定义亚型的七个变量后差距为23.3个百分点。一种由随机森林筛选特征、遗传算法调参的多任务神经网络同时预测二分类标签与亚型，保持90.2%的二分类准确率，把最罕见亚型召回从75.0%提高到87.5%，把难以归类病例的召回从多分类模型的31.5%提高到79.6%。

多囊卵巢综合征的机器学习筛查长期只报告一个二分类准确率，掩盖了各临床亚型之间的差异。在541名患者的公开数据集上，调优后的随机森林各亚型准确率从最罕见亚型的75.0%到最常见亚型的97.8%，相差22.8个百分点，剔除用于定义亚型的七个变量后差距为23.3个百分点。一种由随机森林筛选特征、遗传算法调参的多任务神经网络同时预测二分类标签与亚型，保持90.2%的二分类准确率，把最罕见亚型召回从75.0%提高到87.5%，把难以归类病例的召回从多分类模型的31.5%提高到79.6%。

该研究以多层感知机回归器（MLPR）为基础模型、随机委员会（RC-MLPR）为混合机器学习模型，利用从既有文献收集的五个异质数据集（覆盖较宽的水力与泥沙条件范围）来预测自动冲洗排水系统中的颗粒弗劳德数（PFr），并采用包括一致性指数在内的多种性能指标进行评估，结果显示RC-MLPR优于其他所提机器学习模型、现有先进机器学习模型以及既有经验公式，敏感性分析进一步表明体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的变量。

该研究以多层感知机回归器（MLPR）为基础模型、随机委员会（RC-MLPR）为混合机器学习模型，利用从既有文献收集的五个异质数据集（覆盖较宽的水力与泥沙条件范围）来预测自动冲洗排水系统中的颗粒弗劳德数（PFr），并采用包括一致性指数在内的多种性能指标进行评估，结果显示RC-MLPR优于其他所提机器学习模型、现有先进机器学习模型以及既有经验公式，敏感性分析进一步表明体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的变量。