基于Null Importance和Stacking模型的知识追踪研究

为应对基于游戏的学习平台在知识追踪应用方面的不足,本研究利用Field Day Lab提供的教育游戏用户日志进行深入分析。采用方差法和Null Importance方法对数据集进行降维处理,并结合K折交叉验证与LightGBM算法,建立了一个高效的预测模型。此外,通过集成Logistic模型,构建起Stacking模型。研究表明,该模型在验证集上的Macro-F1值显著提升至0.699,同时也在测试集上显示出优异的泛化能力。本研究为教育游戏领域的知识追踪提供了创新方法,并为游戏开发与教育实践提供了宝贵参考,支持教育游戏的开发者为学生创造更有效的学习体验。

基于Null Importance与GS-LGBM的糖尿病视网膜病变因素分析与风险预测

目的:通过机器学习算法分析糖尿病视网膜病变(DR)关键因素,构建DR风险预测模型,为DR的预防和诊断提供参考。方法:采用国家人口健康科学数据中心的《糖尿病并发症预警数据集》,基于Null Importance方法去除噪声特征,筛选出与DR有关的关键因素;基于GridSearch优化LGBM模型参数,构建GS-LGBM DR风险预测模型。以准确率、精确率、召回率、F1分数、AUC值作为评价标准,与XGBoost、随机森林、Logistic以及未调优的LGBM模型进行比较。结果:Null Importance方法筛选出30个关键因素;与XGBoost、随机森林、Logistic以及未调优的LGBM模型相比,本研究所构建的GS-LGBM DR风险预测模型各评价指标均最优,其在测试数据上的AUC值高达0.897。结论:相较传统的DR预测模型,经过超参数优化后的模型具有更好的DR风险预测能力,更有助于DR的临床诊断。