Metaheuristic and deep tabular learning framework for life expectancy prediction using Ninja Optimization Algorithm

doi:10.1038/s41598-026-69887-4

Metaheuristic and deep tabular learning framework for life expectancy prediction using Ninja Optimization Algorithm

2026-09-09

0

OA

AI

DOI：10.1038/s41598-026-69887-4

原文链接

查看原文

摘要

En 中文

预期寿命预测仍然是一个具有挑战性的公共卫生回归问题，因为其决定因素分布在死亡率状况、疫苗接种覆盖率、医疗保健支出、营养、教育和社会经济发展等多个方面，形成了一个异质性的表格特征空间，其中冗余和交互效应会削弱预测学习。为应对这一挑战，本研究开发了一个以Ninja优化算法（Ninja）和通过自注意力神经网络实现的自动特征交互学习（AutoInt）为核心的分阶段框架，其中Ninja用于二元特征选择和超参数优化；重要的是，本研究在此应用场景中评估了Ninja–AutoInt的组合，而非将其作为新的算法提案引入。使用Kaggle清洗的国家预期寿命数据集/缩放的国家预期寿命数据集，研究首先在原始特征空间中对一组表格预测器（包括深度表格学习模型以及基于树的基线模型LightGBM和XGBoost）进行基准测试，其中AutoInt提供了最强的基线性能，决定系数（$$R^2$$）$$=0.84614$$。在特征选择阶段，二元Ninja（bNinja）以平均适应度$$=0.49517$$实现了最佳的整体子集搜索行为。特征选择后的重新训练进一步将AutoInt提升至$$R^2=0.90947$$。最后，经过超参数优化的Ninja + AutoInt实现了最强的整体结果，$$R^2=0.97200$$。为加强框架的经验可靠性和实际可解释性，修订后的评估还纳入了10折鲁棒性报告（包含均值和标准差分析）、组件级消融实验、计算成本评估以及基于SHAP的基线AutoInt模型解释。这些发现表明，预期寿命预测受益于一个协调的流水线，其中特征空间精炼和模型空间优化被联合处理，为更可靠的循证公共卫生分析提供了一个技术性合理的框架。

Metaheuristic and deep tabular learning framework for life expectancy prediction using Ninja Optimization Algorithm

摘要

AI总结

期刊

机构

引用论文