R語言機(jī)器學(xué)習(xí)與臨床預(yù)測模型22--預(yù)測模型常用構(gòu)建方法

本內(nèi)容為【科研私家菜】R語言機(jī)器學(xué)習(xí)與臨床預(yù)測模型系列課程

R小鹽準(zhǔn)備介紹R語言機(jī)器學(xué)習(xí)與預(yù)測模型的學(xué)習(xí)筆記

你想要的R語言學(xué)習(xí)資料都在這里, 快來收藏關(guān)注【科研私家菜】


01 預(yù)測模型的本質(zhì)

預(yù)測模型是通過已知預(yù)測未知。模型=數(shù)學(xué)公式。用已知的東西通過模型計(jì)算預(yù)測未知。
通過回歸建模分析,回歸的本質(zhì)即為發(fā)現(xiàn)規(guī)律。回歸是量化衡量X多大程度上影響Y。
模型的效能評價(jià)是統(tǒng)計(jì)分析、數(shù)據(jù)建模、課題設(shè)計(jì)的關(guān)鍵。

02 預(yù)測模型研究思路

研究思路

03 模型驗(yàn)證的步驟

驗(yàn)證步驟

04 模型模型的樣本量估計(jì)

EPV(events per variable):每個(gè)自變量所需要的事件數(shù)。
多因素分析中至少需要的 EPV數(shù)量為10-20個(gè)。
EPV=研究對象中較少組的數(shù)量/自變量的個(gè)數(shù)。
比如: 如果m個(gè)研究對象中有m1個(gè)人有疾病,m2個(gè)人無疾病
(m1+m2=m),同時(shí)m1小于m2,此時(shí)EPV=m1/n(n為自變量個(gè)數(shù))。考慮 EPV>10,應(yīng)該是足夠的了。

05 模型驗(yàn)證及效能評價(jià)

  1. 診斷方法的鑒別能力(Discrimination):ROC分析、C-Statistics&C-Index
  2. 診斷方法的準(zhǔn)確性(Calibration analysis) :Calibration plot
  3. 臨床實(shí)用性(Clinical utility)-DCA :決策曲線

內(nèi)部驗(yàn)證方法包括隨機(jī)拆分驗(yàn)證、交叉驗(yàn)證以及Bootstrap重抽樣;外部驗(yàn)證可采用不同時(shí)間、不同地域、不同時(shí)間及地域的數(shù)據(jù)集。
區(qū)分度(Discrimination)和校準(zhǔn)度(Calibration)是兩個(gè)最常見的模型評價(jià)指標(biāo)。區(qū)分度是指模型區(qū)分是否患有待診斷的疾病(診斷模型)或是否發(fā)生預(yù)期的事件(預(yù)后模型)的能力,最常見的區(qū)分度刻畫指標(biāo)如AUC,或者C統(tǒng)計(jì)量。校準(zhǔn)度則是評估預(yù)測的概率與實(shí)際觀察到的概率的一致性,常見的統(tǒng)計(jì)指標(biāo)是如Brier得分。此外,也有學(xué)者建議用校準(zhǔn)截距(Calibration-in-the-large)、校準(zhǔn)斜率以及決策曲線分析(Decision-curve analysis)來評價(jià)預(yù)測模型 。有時(shí)候,研究者想要比較新開發(fā)的模型對現(xiàn)有模型的改進(jìn),或者關(guān)注單個(gè)預(yù)測因子的預(yù)測效能增加值(Incremental value),此時(shí)用AUC值評價(jià)并不靈敏,推薦的指標(biāo)是綜合區(qū)分改善度(IDI)和凈重分類改善度(NRI)。


關(guān)注R小鹽,關(guān)注科研私家菜(VX_GZH: SciPrivate),有問題請聯(lián)系R小鹽。讓我們一起來學(xué)習(xí) R語言機(jī)器學(xué)習(xí)與臨床預(yù)測模型

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺(tái)聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡書系信息發(fā)布平臺(tái),僅提供信息存儲(chǔ)服務(wù)。
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 227,967評論 6 531
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 98,273評論 3 415
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 175,870評論 0 373
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經(jīng)常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 62,742評論 1 309
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 71,527評論 6 407
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 55,010評論 1 322
  • 那天,我揣著相機(jī)與錄音,去河邊找鬼。 笑死,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,108評論 3 440
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 42,250評論 0 288
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 48,769評論 1 333
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 40,656評論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 42,853評論 1 369
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,371評論 5 358
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 44,103評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,472評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,717評論 1 281
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 51,487評論 3 390
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 47,815評論 2 372

推薦閱讀更多精彩內(nèi)容