关键词: 疾病诊断, 特征选择, XGBoost， CatBoost、， 堆叠

摘要：

针对医疗疾病数据中的特征冗余问题，采用XGBoost特征选择方法测量特征重要性，删除冗余特征，选择最佳分类特征。针对识别精度低的问题，采用堆叠方法集成XGBoost、LightGBM等异构分类器，并在异构分类器中引入更好的CatBoost分类器，以提高集成分类器的分类精度。为了避免过拟合，选择基本分类器输出的分类概率作为高级分类器输入。实验结果表明，基于XGBoost特征选择的XLC-Stacking方法与当前主流的分类算法以及单一的XGBooster算法和Stacking算法相比有了很大的改进。识别和F1-Score的准确率分别达到97.73%和98.21%，更适合于疾病的诊断。

关键词： 疾病诊断， 特征选择， XGBoost， CatBoost、， 堆叠