21、科技职场心理健康与自闭症谱系障碍的智能研究

科技职场心理健康与自闭症谱系障碍的智能研究

科技职场心理健康研究

在科技职场中，研究人员运用机器学习技术来探究员工的心理健康特征。由于数据具有高维度且多为分类数据的特点，主成分分析（PCP）可能无法提供有效信息，因为生成的图形会变得混乱，形成类似意大利面图的效果。

除了聚类分析，研究人员还进行了特征重要性分析，以“你目前是否患有心理健康障碍？”作为伪目标。通过应用并拟合随机森林分类器到模型中，选择了10个被认为“重要性”最高的特征，这些特征主要围绕个人当前和过去的精神状态，具体包括是否患有心理健康障碍、未妥善治疗时是否影响工作以及过去是否有心理健康障碍等。

接着，研究人员使用人工神经网络构建了一个预测模型，以“你目前是否患有心理健康障碍？”作为目标变量，试图根据之前的回答准确预测响应。为了降低数据维度，研究人员将数据集进一步缩减至包含50个特征，以该目标特征作为目标，利用其余49个特征对模型进行测试和训练。数据按照67:33的比例划分为训练数据和测试数据。目标有三种可能的分类值（“是”、“否”或“可能”），因此输出层的形状为3。

模型参数/超参数调整如下表所示：
| 参数/超参数 | 数值 |
| — | — |
| 层数 | 4 |
| 训练轮数 | 40 |
| 批次大小 | 1 |
| 每层神经元数量 | 40 |

最终，基于验证数据的准确率和损失率分别平均为76.8%和0.78%。与训练数据的结果对比可参考相关图表。增加训练轮数会导致训练和测试的准确率及损失率之间的差异增大，这表明模型可能出现过拟合，这可能是由于数据集规模较小所致。尽管验证数据的准确率与测试数据相近，但总体