美国陆军强调体能是战备状态的关键，并从“陆军体能测试（APFT）”转向“陆军战斗体能测试（ACFT）”，以更好地反映现代作战需求并减少伤病。本文运用机器学习技术——包括逻辑回归（LR）、支持向量机（SVM）、K最近邻算法（KNN）、分类与回归树（CART）、随机森林（RF）和人工神经网络（ANN）——利用原始ACFT分数以及人口统计学和身体成分数据来预测ACFT结果。该分析评估了两个特征子集。一个子集结合了详细的ACFT项目分数和身体成分数据，而另一个子集仅依赖于人口统计学和人体测量学数据。我们发现人工神经网络实现了最高的预测准确度，突显了其在捕捉复杂非线性关系方面的有效性。与仅使用人口统计学因素相比，ACFT项目分数将预测准确度显著提高了约十个百分点。关键预测因子包括：在ACFT特定数据中的2英里跑时间，以及在人口统计学和人体测量学变量中的身体质量指数（BMI）。这些见解可通过优先考虑关键预测因子、优化测试程序和改进资源分配来指导未来的陆军体能评估。

2020年，陆军采用了“陆军战斗体能测试（ACFT）”，以更好地反映现代作战的需求，并降低与旧式“陆军体能测试（APFT）”相关的伤病率[1]。尽管评估体能对战备至关重要，但遵守“陆军身体成分计划（ABCP）”标准也是个人健康和部队效能的关键决定因素。虽然ACFT全面反映了士兵的身体能力，但表现背后潜在的驱动因素——如人口统计学和人体测量学变量——尚未被完全理解。

本文利用ACFT和身体成分（BC）数据来预测ACFT结果。我们实施了六种分类算法——逻辑回归（LR）、支持向量机（SVM）、K最近邻算法（KNN）、分类与回归树（CART）、随机森林（RF）和人工神经网络（ANN）——并将每种算法应用于两个不同的特征集。第一个集合结合了原始ACFT项目分数与人口统计学和人体测量学变量；第二个集合仅依赖于人口统计学和人体测量学预测因子。通过比较这两个特征集，我们可以分离出项目分数相较于易于收集的人口统计学信息所带来的增量预测价值。通过在标准保留测试集上训练和评估每个模型，我们不仅比较了整体性能，还识别出哪些个体因素驱动了士兵通过ACFT的可能性。

三个核心问题指导着我们的研究：1. 哪些机器学习方法在区分通过和不通过方面表现最佳（以受试者工作特征曲线下面积（AUC）衡量）？2. 当使用（a）完整预测因子集与（b）仅使用人口统计学和人体测量学变量进行训练时，这六种分类器的AUC性能如何？3. 在这两个预测因子子集中，哪些是模型决策最有影响力的驱动因素？

为回答这些问题，我们构建了一个可扩展的Python代码库和一个scikit-learn流程，用于处理ACFT和BC记录的数据清理、记录链接和特征工程。然后，我们在两个特征子集上实例化并拟合了六种分类器，缓存了预测结果和概率以保证可重复性，并使用混淆矩阵、精确率、召回率、F1分数、带AUC的ROC曲线和特征重要性来评估性能。最后，我们结合陆军体能政策解读这些结果，提供可为针对性训练提供信息的见解。

第2章回顾了ACFT、ABCP以及六种机器学习方法。第3章详细说明了我们的数据来源、清理过程、特征定义、流程构建和模型实现。第4章呈现了探索性数据分析和分类器性能指标，包括ROC曲线和特征重要性排名。最后，第5章讨论了关键发现和未来工作方向。需要说明的是，使用了OpenAI的ChatGPT作为编辑辅助工具，以提高所有论文章节的清晰度和一致性[2]。