孟加拉语症状预测引入泄漏控制增强与模板感知评测

Sabah Nushra等研究者提出面向孟加拉语症状疾病预测的结构保持数据增强方法，并通过模板感知评测检验其效果。研究使用725个独特病例、85种疾病和172项二元症状，仅对训练集实施非对称Bernoulli扰动。XGBoost、LightGBM和CatBoost的准确率分别提高18.10、28.45和10.09个百分点。 研究同时发现，标准测试集中91.0%的病例与训练数据仅相差一个症状位，说明常规测试可能受到高度相似病例的影响。在剔除同一疾病中与训练数据仅相差一个症状位的测试样本后，模型准确率下降，但XGBoost和LightGBM仍保留较大的增强收益。这表明数据增强带来的性能提升并非完全依赖近似重复样本，但评估结果需要结合病例模板相似性理解。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。