Развитие медицинской диагностики и лечения пациентов в значительной степени зависит от разработки эффективных систем рекомендаций. В этом исследовании изучается производительность различных алгоритмов машинного обучения, таких как Random Forest Classifier, Stacking (LGBMClassifier + kNN) и XGBoost, применительно к медицинским наборам данных. Модели оцениваются с использованием стандартных метрик, таких как точность, достоверность, отзыв и F1-оценка, что показывает, что XGBoost демонстрирует самые превосходные результаты. Хотя stacking демонстрирует многообещающую производительность, он немного отстает от XGBoost. Random Forest, с другой стороны, обеспечивает надежный ориентир. Эти результаты подчеркивают эффективность XGBoost для систем медицинских рекомендаций, продвигая использование машинного обучения в здравоохранении и в конечном итоге приводя к улучшению принятия решений и ухода за пациентами.

Персонализированные рекомендации, алгоритм XGBoost, модель случайного леса, многоуровневые ансамбли, анализ данных здравоохранения, оценка модели, оптимизация медицинской системы.