2022 №2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/06ecvn222.html

Полный текст статьи в формате PDF (объем файла: 462.3 Кбайт)


Ссылка для цитирования этой статьи:

Бочкарев А. М. Использование машинного обучения для оценки моделей прогнозирования финансовых затрат на госпитализацию // Вестник Евразийской науки. — 2022 №2. — URL: https://esj.today/PDF/06ECVN222.pdf


Использование машинного обучения для оценки моделей прогнозирования финансовых затрат на госпитализацию

Бочкарев Алексей Михайлович
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
Директор Международного проектного центра, старший научный сотрудник
Кандидат технических наук
E-mail: ambotchkarev@fa.ru
ORCID: https://orcid.org/0000-0002-0689-8830
РИНЦ: https://elibrary.ru/author_profile.asp?id=1064627
Researcher ID: https://www.researcherid.com/rid/G-1173-2011
SCOPUS: https://www.scopus.com/authid/detail.url?authorId=24823757400
Google Академия: http://scholar.google.ca/citations?hl=en&user=2EYv3RUAAAAJ

Аннотация. Выполнение точного моделирования и прогнозирования стоимости лечения в стационаре (финансовых затрат на госпитализацию каждого пациента) имеет решающее значение для эффективного управления финансами в здравоохранении и бюджетного планирования. Известно, что различные алгоритмы регрессионного машинного обучения могут эффективно применяться для прогнозирования затрат в медицине и здравоохранении. Целью данного исследования было создание экспериментальной модели на онлайн платформе Azure Machine Learning Studio (MLS) и проведение быстрой эмпирической оценки различных типов регрессионных моделей в здравоохранении. Разработанный автором инструмент обеспечивает среду для сравнения 14 типов регрессионных моделей в едином эксперименте: линейная регрессия (linear regression), байесовская линейная регрессия (Bayesian linear regression), регрессия леса принятия решений (decision forest regression), регрессия повышенного дерева принятия решений (boosted decision tree regression), регрессия нейронной сети (neural network regression), регрессия Пуассона (Poisson regression), регрессии гауссовского процесса (Gaussian processes for regression), алгоритм повышения градиента (gradient boosted machine), нелинейная регрессия наименьших квадратов (nonlinear least squares regression), регрессия поиска наилучшей проекции (projection pursuit regression), регрессия случайного леса (random forest regression), робастная регрессия (robust regression), робастная регрессия с оценками мм-типа (robust regression with mm-type estimators), регрессия опорных векторов (support vector regression). Разработанный автором инструмент демонстрирует результаты сравнения регрессионных моделей с помощью 14 оценок эффективности: CoD, GMRAE, MAE, MAPE, MASE, MdAE, MdAPE, MdRAE, ME, MPE, MRAE, MSE, NRMSE_mm, NRMSE_sd, RAE, RMdSPE, RMSE, RMSPE, RSE, sMAPE, SMdAPE, SSE.

Проведенная автором оценка моделей регрессионного машинного обучения для прогнозирования финансовых затрат на госпитализацию продемонстрировала преимущества робастной регрессии, регрессии повышенного дерева принятия решений и регрессии леса принятия решений.

Разработанный автором инструмент находится в открытом доступе на платформе Azure MLS и может быть использован для экспериментов и расширений.

Ключевые слова: машинное обучение; регрессия; прогнозирование; оценка; Azure Machine Learning Studio; ошибка; точность; здравоохранение; финансовые затраты на госпитализацию

Скачать

Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 2588-0101 (Online)

Уважаемые читатели! Комментарии к статьям принимаются на русском и английском языках.
Комментарии проходят премодерацию, и появляются на сайте после проверки редактором.
Комментарии, не имеющие отношения к тематике статьи, не публикуются.

Добавить комментарий