基于F1分数(%)的分类器比较
该数据集来自 plos.figshare.com，主题为消化系统疾病中的胆结石，文件为 Table 3.xls，内容为基于 F1 分数(%) 的分类器比较结果
基本信息
资源简介
基于F1分数(%)的分类器比较
Comparison of classifiers based on F1 score (%).
该数据集来自 plos.figshare.com，主题为消化系统疾病中的胆结石，文件为 Table 3.xls，内容为基于 F1 分数(%) 的分类器比较结果。源站描述指出，研究使用公开表格数据集构建预测模型以判断胆结石是否存在，采用 CatBoost 分类器与 Sea Lion 优化算法（SLOA），并结合 5 折交叉验证评估模型性能。该数据可用于比较不同分类器在胆结石表格数据上的预测表现，并支持相关机器学习方法的效果分析（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2026-06-01。
【数据内容】
源站描述（机器翻译，仅供参考）：胆结石是在胆囊中形成的小结石。约80%的胆结石个体没有任何症状。尽管基于图像的机器学习（ML）模型在胆结石检测中具有较高准确率，但针对表格数据的研究较少。本文讨论了一个公开可用的表格数据集，以研究一些预测模型来确定胆结石的存在。我们在研究中采用了Catboost（CB）分类器模型和Sea Lion优化算法（SLOA）。在本项目中，探索的主要方法包括带交叉验证的CatBoost以及使用SLOA优化并带交叉验证的CB。使用5折交叉验证的CB模型技术在使用总共38个特征的情况下达到了79.58%的平均准确率、79.01%的平均F1分数、80.91%的平均精确率和77.36%的平均召回率。
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。数据集 DOI：10.1371/journal.pone.0342945.t003。
【主题与分类】
源站学科分类：Genetics、Immunology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Cancer。主题标签：based machine learning、explored include catboost、19 selected features、regarding tabular data、optimized catboost classifier、50 %, f1、46 %, f1、76 %, using、cb optimized using、39 %, precision。本站分类：消化系统疾病/胆结石。
【适用方向】
源站学科分类标注为 Genetics、Immunology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Cancer。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/_p_Comparison_of_classifiers_based_on_F1_score_p_/32535730
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Das, Prosenjit; Khan, Md. Ayaj Uddin; Sarker, Proshenjit; Nahid, Abdullah-Al (2026). Comparison of classifiers based on F1 score (%).. PLOS ONE. Dataset
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：<p>Comparison of classifiers based on F1 score (%).</p>
- DOI：10.1371/journal.pone.0342945.t003
- 发布日期：2026-06-01
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/_p_Comparison_of_classifiers_based_on_F1_score_p_/32535730
命令行下载
curl -L -o "Table 3.xls" "https://ndownloader.figshare.com/files/65164951"
文件清单
Table 3.xls（5.63 KB）
文件总体积 5.63 KB（源站 API 实测）。
数据说明
胆结石是在胆囊中形成的小结石。约80%的胆结石患者没有任何症状。尽管基于图像的机器学习（ML）模型在胆结石检测中具有较高的准确性，但针对表格数据的研究相对较少。本文讨论了一个公开可用的表格数据集，以研究一些用于判断胆结石存在的预测模型。我们在研究中采用了CatBoost（CB）分类器模型和海狮优化算法（SLOA）。在本项目中，所探索的主要方法包括结合交叉验证的CatBoost，以及使用SLOA优化并结合交叉验证的CB。使用5折交叉验证的CB模型技术在使用总共38个特征的情况下，达到了79.58%的平均准确率、79.01%的平均F1分数、80.91%的平均精确率和77.36%的平均召回率。特别地，在CB模型的5折交叉验证中，第1折达到了86.46%的准确率、85.39%的F1分数、88.37%的精确率和82.61%的召回率。
此外，采用19个选定特征时，SLOA_CB模型的5折交叉验证平均准确率达到80.42%，平均F1分数为79.94%，平均精确率为81.97%，平均召回率为77.76%。在此情况下，第4折的准确率达到87.50%，F1分数、精确率和召回率均为87.23%，表明分类性能较为均衡。最后，SHAP、LIME和DiCE被应用于模型可解释性分析，在所有情况下，对于胆结石疾病预测影响最大的特征均为C反应蛋白（CRP）和维生素D。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0342945.t003（source: https://plos.figshare.com/articles/dataset/_p_Comparison_of_classifiers_based_on_F1_score_p_/32535730）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
