Page 101 - 2022-24-中国全科医学

·3042· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

（3）：273-282. DOI：10.1111/j.1467-9868.2011.00771.x. under test［J］. Neurocomputing，2003，55（1/2）：169-186.
［25］SAFAVIAN S R，LANDGREBE D. A survey of decision tree DOI：10.1016/S0925-2312（03）00431-4.
classifier methodology［J］. IEEE Trans Syst Man Cybern，1991， ［38］KRIEGESKORTE N，GOLAN T. Neural network models and deep
21（3）：660-674. DOI：10.1109/21.97458. learning［J］. Curr Biol，2019，29（7）：R231-236. DOI：
［26］BREIMAN L. Bagging predictors［J］. Mach Learn，1996，24（2）： 10.1016/j.cub.2019.02.034.
123-140. DOI：10.1007/bf00058655. ［39］LEK S，PARK Y S. Multilayer Perceptron ［M］. Oxford：
［27］BREIMAN L. Random forests ［J］. Machine Learning，2001，45：5-32. Academic Press，2008：2455-2462. DOI：10.1016/B978-
DOI：10.1023/A：1010933404324. 008045405-4.00162-2.
［28］TANG F，ISHWARAN H. Random forest missing data ［40］RUMELHART D E，HINTON G E，WILLIAMS R J. Learning
algorithms［J］. Stat Anal Data Min ASA Data Sci J，2017，10（6）： representations by back-propagating errors［J］. Nature，1986，
363-377. DOI：10.1002/sam.11348. 323（6088）：533-536. DOI：10.1038/323533a0.
［29］肖美丽，晏春丽，付冰，等 . 随机森林算法在产后抑郁风险预 ［41］FATIMA I，ABBASI B，KHAN S，et al. Prediction of postpartum
测中的应用［J］. 中南大学学报：医学版，2020，45（10）： depression using machine learning techniques from social media
1215-1222. DOI：10.11817/j.issn.1672-7347.2020.190655. text ［J］. Expert Systems，2019，36（4）：e12409. DOI：
XIAO M L，YAN C L，FU B，et al. Risk prediction for postpartum
10.1111/exsy.12409.
depression based on random forest［J］. Journal of Central South
［42］SHIN D，LEE K J，ADELUWA T，et al. Machine learning-based
University （Medical Science），2020，45（10）：1215-1222.
predictive modeling of postpartum depression［J］. J Clin Med，
DOI：10.11817/j.issn.1672-7347.2020.190655.
2020，9（9）：E2899. DOI：10.3390/jcm9092899.
［30］CHEN T Q，GUESTRIN C. XGBoost：a scalable tree boosting
［43］ANDERSSON S，BATHULA D R，ILIADIS S I，et al. Predicting
system［C］//KDD '16：Proceedings of the 22nd ACM SIGKDD
women with depressive symptoms postpartum with machine
International Conference on Knowledge Discovery and Data Mining.
learning methods［J］. Sci Rep，2021，11（1）：7877. DOI：
2016：785-794. DOI：10.1145/2939672.2939785.
10.1038/s41598-021-86368-y.
［31］HOCHMAN E，FELDMAN B，WEIZMAN A，et al. Development
［44］HARRELL F E. Regression Modeling Strategies：With Applications
and validation of a machine learning-based postpartum depression
to LinearModels，Logistic and Ordinal Regression，and Survival
prediction model：a nationwide cohort study［J］. Depress
Analysis［M］. 2nd ed. New York：Springer，2019：63-102.
Anxiety，2021，38（4）：400-411. DOI：10.1002/da.23123.
DOI：10.1007/978-3-319-19425-7.
［32］WEBB G.I. Naïve Bayes［M/OL］//Sammut C. Webb G.
［45］PODGORELEC V，KOKOL P，STIGLIC B，et al. Decision
Encyclopedia of Machine Learning and Data Mining. Boston：
trees：an overview and their use in medicine ［J］. J Med Syst，
Springer，2016：1-2.［2022-01-15］. https：//link.springer.
2002，26（5）：445-463. DOI：10.1023/A:1016409317640.
com/referenceworkentry/10.1007/978-1-4899-7502-7_581-
［46］YU R J，ABDEL-ATY M. Utilizing support vector machine in real-
1#howtocite.
time crash risk evaluation［J］. Accid Anal Prev，2013，51：
［33］JIMÉNEZ-SERRANO S，TORTAJADA S，GARCÍA-GÓMEZ J M.
252-259. DOI：10.1016/j.aap.2012.11.027.
A mobile health application to predict postpartum depression based
［47］RILEY R D，ENSOR J，SNELL K I E，et al. Calculating the
on machine learning［J］. Telemed J E Health，2015，21（7）：
sample size required for developing a clinical prediction model［J］.
567-574. DOI：10.1089/tmj.2014.0113.
BMJ，2020，368：m441. DOI：10.1136/bmj.m441.
［34］BERGER J O. Statistical decision theory and Bayesian analysis ［M］.
［48］STEYERBERG E W，HARRELL F E Jr，BORSBOOM G J，et al.
New York：Springer Science & Business Media，2013：218-247.
Internal validation of predictive models：efficiency of some procedures
DOI：10.1007/978-1-4757-4286-2.
for logistic regression analysis［J］. J Clin Epidemiol，2001，54（8）：
［35］HEARST M A，DUMAIS S T，OSUNA E，et al. Support vector
774-781. DOI：10.1016/s0895-4356（01）00341-9.
machines ［J］. IEEE Intelligent Systems，1998，13（4）：18-
［49］JUSTICE A C，COVINSKY K E，BERLIN J A. Assessing the
28. DOI：10.1109/5254.708428.
generalizability of prognostic information［J］. Ann Intern Med，
［36］ZHANG W N，LIU H，SILENZIO V M B，et al. Machine learning
models for the prediction of postpartum depression：application 1999，130（6）：515-524. DOI：10.7326/0003-4819-130-6-
and comparison based on a cohort study［J］. JMIR Med Inform， 199903160-00016.
2020，8（4）：e15516. DOI：10.2196/15516. （收稿日期：2022-02-05；修回日期：2022-05-15）
［37］MEYER D，LEISCH F，HORNIK K. The support vector machine （本文编辑：宋春梅）