Right Choice of Classification Algorithms Based on Reinforcement Learning for Prediction of Non-Alcoholic Fatty Liver
作者: Hasan Samadbin, Arman Daliri
分类: cs.AI
发布日期: 2026-09-24
💡 一句话要点
提出基于强化学习的分类算法选择方法以预测非酒精性脂肪肝
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 分类算法 强化学习 自动选择 医疗预测 原发性胆汁性肝硬化 机器学习 算法优化
📋 核心要点
- 现有分类算法选择方法耗时且效率低，难以满足快速准确的需求。
- 本研究提出了一种基于强化学习的自动分类算法选择方法，利用平方学习提升学习效率。
- 实验结果显示，该方法将分类算法的准确率从63%提升至98%，显著提高了预测性能。
📝 摘要（中文）
在人工智能领域，选择合适的分类算法是一项耗时的任务。本研究提出了一种自动学习分类算法选择的算法，利用一种称为平方学习（SL）的强化学习评分方法，显著提高了分类算法在预测原发性胆汁性肝硬化中的表现。通过引入四个评估指标，提出了第四度学习的新方法，使得分类算法的准确率从63%提升至98%。
🔬 方法详解
问题定义：本研究旨在解决在疾病预测中选择合适分类算法的复杂性和耗时性，现有方法往往无法自动化选择最优算法，导致效率低下。
核心思路：通过引入强化学习的平方学习方法，自动学习并选择最合适的分类算法，以提高预测准确性和效率。该方法利用评估指标来指导学习过程。
技术框架：整体框架包括数据预处理、特征提取、分类算法选择和性能评估四个主要模块。首先对数据进行处理，然后提取特征，接着通过强化学习选择算法，最后评估其性能。
关键创新：最重要的创新在于提出了第四度学习的新方法，结合四个评估指标来优化分类算法选择过程，与传统方法相比，具备更高的自动化和准确性。
关键设计：在算法设计中，设置了特定的损失函数以优化选择过程，采用了多种分类算法进行比较，并通过强化学习不断调整参数以提升性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，采用新方法后，分类算法的准确率从63%提升至98%，显示出显著的性能提升。与基线模型相比，该方法在疾病预测的准确性上具有明显优势，证明了其有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括医疗健康、疾病预测和智能诊断系统。通过自动选择最优分类算法，可以在临床决策支持中提供更准确的预测，帮助医生更好地进行疾病管理和治疗方案制定，具有重要的实际价值和未来影响。
📄 摘要（原文）
There are many complex issues in the world of artificial intelligence. Some of these problems are solved using other artificial intelligence methods, which are called artificial intelligence for artificial intelligence. Finding an appropriate classifier algorithm is a time-consuming task. For this reason, an algorithm that can automatically learn the choice of classification algorithms is very important. Classification algorithms are useful in predicting various diseases. Also, Primary Biliary Cirrhosis is one of the most well-known diseases that have been predicted by classification algorithms. This research's most significant achievement and novelty is the automatic increase in learning through a scoring method of reinforcement learning is called square learning (SL). In this research, an algorithm is presented that learns to automatically select the appropriate classification algorithm to predict Primary Biliary Cirrhosis. In this article, with inspiration from four evaluation metrics in classification algorithms, a new reinforcement learning method by the name of Fourth Degree Learning has been presented. In this research, we increased the performance of the classification algorithms used in this method from 63% of accuracy and achieved 98% accuracy.