数据分享|逻辑回归、随机森林、SVM支持向量机预测心脏病风险数据和模型诊断可视化...

于 2022-04-29 17:16:00 发布
阅读量171 收藏 3
点赞数
文章标签： 逻辑回归 随机森林 支持向量机 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tecdat/article/details/129390593
版权

原文链接：http://tecdat.cn/?p=24973 

简介

世界卫生组织估计全世界每年有 1200 万人死于心脏病。在美国和其他发达国家，一半的死亡是由于心血管疾病。心血管疾病的早期预后可以帮助决定改变高危患者的生活方式，从而减少并发症。本研究旨在查明心脏病最相关/风险因素，并使用机器学习预测总体风险。

数据准备 

来源

该数据集（查看文末了解数据获取方式）来自对居民正在进行的心血管研究。分类目标是预测患者未来是否有 10 年患冠心病 (CHD) 的风险。数据集提供了患者的信息。它包括超过 4,000 条记录和 15 个属性。

变量

每个属性都是一个潜在的风险因素。有人口、行为和医疗风险因素。

人口统计：
• 性别：男性或女性（标量）
• 年龄：患者年龄；（连续 - 尽管记录的年龄已被截断为整数，但年龄的概念是连续的）
行为
• 当前吸烟者：患者是否是当前吸烟者（标量）
• 每天吸烟数：此人一天内平均吸烟的香烟数量。（可以认为是连续的，因为一个人可以拥有任意数量的香烟，甚至半支香烟。）
• BP Meds：患者是否服用降压药（标量）
•中风：患者之前是否有中风（标量）
•  Hyp：患者是否患有高血压（标量）
• 糖尿病：患者是否患有糖尿病（标量）
• Tot Chol：总胆固醇水平（连续）
• Sys BP：收缩压（连续）
• Dia BP：舒张压（连续）
• BMI：体重指数（连续）
• 心率：心率（连续 - 在医学研究中，心率等变量虽然实际上是离散的，但由于存在大量可能值而被认为是连续的。）
• 葡萄糖：葡萄糖水平（连续）
预测变量（目标）
• 10 年患冠心病 CHD 的风险（二元：“1”表示“是”，“0”表示“否”）

心脏病预测

# 获取数据
rdaa <- read.csv（路径）
# 这边可以考虑增加变量收缩压与舒张压之差、描述收缩压、舒张压与高血压等级的变量

# 看数据结构
str(ata)

c0f6ce35902919a647bd440f1abb7a86.png

# 考虑增加变量bplevel
raw_data <- sqldf

# 对变量类别进行区分

ra_da <- map
str(ra_da )

d6c117eeb08ef456e8c2189c120cdb2f.png

数据预处理

查看和处理缺失值

# 这里我们使用mice包进行缺失值处理
aggr

1bb018c5fbb0f309a592b8a4d09f0866.jpeg

matplot

d9de05601d9de2dcf9352ead44693c9c.png

点击标题查阅往期内容

0d37eba4f562e73b36434d7b2dff3e1d.jpeg

R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病

outside_default.png

左右滑动查看更多

outside_default.png

01

06e2c80c8b67da45a0a6719142de3b58.png

02

0ec56ed43bf1653e0d3f77ee90efe2a0.png

03

94b75a8f8579a0f89a36d57990a00b81.png

04

49a3da6811648aaa60ebc8df0aad679f.png

由上图可以看出，除了glucose变量，其它变量的缺失比例都低于5%，而glucose变量缺失率超过了10%。对此的处理策略是保留glucose变量的缺失值，直接删除其它变量的缺失值。现在处理glucose的缺失值，

# 处理glucose列
lee_a <- subset & !is.na & !is.na & !is.na & !is.na & !is.na
# 查看glce与其它变量的线性相关性确定mice的填充策略
gcog = glm(lcse ~ .)
smry(glseg)

e201b29dcdd5de729d852ae924d4b7bb.png

c2b444dcc61fd8e2ba12f3c4dce4456e.png

填充，排除不重要的变量。至于为什么不选diaBP，主要是后面的相关性分析中，这两个变量会造成多重共线性。

mice%in%  m=5,  "pmm", mai = 50, sd=2333, pint= FALSE)
#查看填充结果
smr(mc_od)

a919e47161a57bcbe1c34d074fc431dd.png

# 查看原始数据和插补后的数据分布情况
epot(mi_md)

550734de580ae213909419d5a590f952.jpeg

sipt(mcod, pch=12)

2a35052676a1971e350bea8e4445dcc3.jpeg

# 填充数据
mi_t <- complete
fir_aa$loe <- miout$guose
sum(is.na(flda))

e91777707b16cc9126c980161bf62d01.png

删除重复行

# 查看有无重复行并删除重复行
sum(duplicated

27e6cf3cadaa928764691580be26e2d2.png

comd_ata <- comdta\[!duplicated(), \]

查看离群点

#查看异常值
gplot(coedta)+geom_boxplot(ae(ftr(1),age))

ae6741150be302fc922ebef94deabb90.png

ggplot(copd\_dta)+geom\_boxplot(aes(factor(1cigDy))

b8105dd3f5aaa524d8e60442523d855a.png

ggplot(coea)+geom_boxplot(aes(factor(1),ttl))

f04a3fc08041b687f10b316a912865ce.png

ggplot(colt\_ta)+geom\_boxplot(aes(factor(1),syBP))

75bb6aa125e77187027c63e10c6cb73b.png

ggplot(comeaa)+geom_boxplot(aes(factor(1),daP))

cbe66b0f14a4a8183ef3ac9ac21aa32d.png

ggplot()+gem_boxplot(aes(factor(1),BMI))

f0ff9ecf8c48351a19451ca1d2f5f8e3.png

bc45e910dc91ffee7e4bf931d46f5acf.png

f9c7bb29975a35631231a7c8adf32e34.png

# 查看cigsPerDay
cigs\_sub <- comled\_dta
# 查看totChol，删除异常点
# 查看sysBP, 删除异常点
# 查看BMI

totChol: 总胆固醇水平大于240mg/dl已属于非常高，故删去水平值为600mg/dl的记录。sysBP: 去掉收缩压为295mg/dl的记录

# 删除各变量离群点
competedata
# 分类型变量列联分析
ggplot+geom_boxplot

01e9b92624b7c83c94da564b98f6a9a3.png

ggplot+geom_boxplot(aes,totChol,fill=TenYerCHD))

48da04348ec696f998b7474348f01502.png

cometddata %>% fitr %>% 
ggplot

5d5a53cd2124fa28476822bf95e7790c.png

1f86eda4f5b13f45e24158326ac8c8e5.png

a3061a98c2f3adca3b4a53a74a76db35.png

1f06ab54475099230879b29264dbfd4f.png

97dba4e4349edc0d2264fe6bf3547245.png

由图像知，glucose和hearRate变量有不显着的风险

table1=table
chisq.test

3f7f84f68901a747559dc4fa7b0960e4.png

table1

1325895b4fdb73dc354e5b4132c2b538.png

table2=table
chisq.test

da3ac30ff7af951156952889def7deaa.png

table3=table
chisq.test

54d0f69ecefd7baff6bdcfbf1b850ef8.png

chisq.test

72c203bdb822663ce90a113e92bc7d08.png

9adad3007cac37ec4e620d58acde5712.png

2a7cbbac0a4a55f43d95f0cf64f14856.png

9345c7b201259010b5d8bfa7fc505a2f.png

5d18c52ebcd263beb7243f1890a5166e.png

ggpairs

ad2be13bbff794637640124356495f89.jpeg

diaBP和sysBP有多重共线性的问题。 

currentSmoker变量可能不显着，下面进入模型部分。

模型

# 划分数据集

split = sample.split

train = subset

逻辑回归

# 逻辑回归模型 - 使用所有变量
fultaog = glm
summary(fulog)

8a1ab2653de1606aa16d45682fae41ab.png

a392e1c5d0280cba4c8cb404a98a2b27.png

fldaog = glm
summary(fuatLg)

3c0b44d101dd4550f74223e42f32cded.png

prdts = predict
glm_le <- table
ACCU

84980aaa81730d893df112db23638e52.png

随机森林

rfoel <- randomForest
# 获得重要性
imprace

cb00fcd340a6cb3cf262b6bf827be772.png

相关视频：Boosting原理与R语言提升回归树BRT预测短鳍鳗分布

# 选择重要的因素
rfmdel <- randomForest
# 误差
plot

7778d09145a1f083a7409ead3a657a3d.jpeg

# 获取重要性
ggplot +
   geom_bar
   geom_text

a8848e9f5ad4baf2d799d67389a8dcd8.png

这里有患病风险的误差不降反升，需要探究其中原因

# 绘制分类图像
pred<-predict
pdou_1<-predict  #输出概率
table <- table
sum(diag/sum #预测准确率

d2503a8720ff1f251ae5365e90773f06.png

plot(margin

3ef6aba200df1473347f122c1ebcfe3d.png

SVM支持向量机

# 先进行模型调优
tud <- tune.svm
summary(tud )

0c07b4d82f57bae1b72c09db923035ee.png

f157e30a64c390a09a0e4e8a8bd81271.png

fd849bb551b718a265ff7a74d73527bc.png

cfaaeb558f7b651b92ee1c97f6415d45.png

# 使用turning函数得到最佳参数设置支持向量机
mel.nd <- svm
cost=tuned$
summary(modted)

69a5cb9b3f31bdcfad11f7b9e75d5957.png

# 调用predict函数基于刚配置好的SVM模型进行类标号的预测：
sm.ne.ed <- predict
sv.tuedtble <- table
sm.ue.tbe

3365852ca0c1ae10018cdfa05e58ecf5.png

acy.s.vm <- sum(diag)/sum

01f5b3debd6da70ef188aee3ade927fa.png

模型诊断

根据上面三个模型的结果，可以看出预测结果的类别数量分布非常不均衡

sum

0e57aa6bc6fc9e92f21e6df725c5fd41.png

sum(TeYaHD == 0)

6950a2e72e360b21cbc2c95651f65196.png

针对这一现象，需要采取方法平衡数据集。

数据获取

在下面公众号后台回复“心脏病风险数据”，可获取完整数据。

316c4be2abc4fd19009d1b1efceed933.png

本文摘选《R语言逻辑回归、随机森林、SVM支持向量机预测FRAMINGHAM心脏病风险和模型诊断可视化》，点击“阅读原文”获取全文完整资料。

点击标题查阅往期内容

高维数据惩罚回归方法：主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数据

分类回归决策树交互式修剪和更美观地可视化分析细胞图像分割数据集

实现广义相加模型GAM和普通最小二乘(OLS)回归

贝叶斯线性回归和多元线性回归构建工资预测模型

Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例

逻辑回归(对数几率回归,Logistic)分析研究生录取数据实例

广义线性模型glm泊松回归的lasso、弹性网络分类预测学生考试成绩数据和交叉验证

非线性回归nls探索分析河流阶段性流量数据和评级曲线、流量预测可视化

特征选择方法——最佳子集回归、逐步回归

线性回归和时间序列分析北京房价影响因素可视化案例

贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据

用加性多元线性回归、随机森林、弹性网络模型预测鲍鱼年龄和可视化

PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯和KMEANS聚类用户画像

PYTHON集成机器学习：用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化

R语言集成模型：提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化

R语言基于树的方法：决策树，随机森林，Bagging，增强树

R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测

spss modeler用决策树神经网络预测ST的股票

R语言中使用线性模型、回归决策树自动组合特征因子水平

R语言中自编基尼系数的CART回归决策树的实现

R语言用rle，svm和rpart决策树进行时间序列预测

python在Scikit-learn中用决策树和随机森林预测NBA获胜者

python中使用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和交叉验证

R语言里的非线性模型：多项式回归、局部样条、平滑样条、 广义相加模型GAM分析

R语言用标准最小二乘OLS，广义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分类

R语言ISLR工资数据进行多项式回归和样条回归分析

R语言中的多项式回归、局部回归、核平滑和平滑样条回归模型

R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量

R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测

R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化

如何用R语言在机器学习中建立集成模型？

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

在python 深度学习Keras中计算神经网络集成模型

R语言ARIMA集成模型预测时间序列分析

R语言基于Bagging分类的逻辑回归(Logistic Regression)、决策树、森林分析心脏病患者

R语言基于树的方法：决策树，随机森林，Bagging，增强树

R语言基于Bootstrap的线性回归预测置信区间估计方法

R语言使用bootstrap和增量法计算广义线性模型（GLM）预测置信区间

R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化分析

R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化

Matlab建立SVM，KNN和朴素贝叶斯模型分类绘制ROC曲线

matlab使用分位数随机森林（QRF）回归树检测异常值

49c177ade6dee4bba76baa6daf9cbb39.png

c6511bfc39753a9181ba635618bea03c.jpeg

af57002a091d409e348765c0211f7c8a.png

拓端研究室TRL
关注
博客
【专题】人工智能AI算力高质量发展评估体系报告合集PDF分享（附原数据表）...
10-09 9
原文链接：https://tecdat.cn/?p=37828在当今数字化时代，算力已成为推动经济发展和科技创新的关键力量。全球算力规模持续稳步扩张，尤其是智能算力的高速增长态势引人瞩目。我国“东数西算”工程凸显出东部算力需求大而西部相对较小的特点，同时各省份算力发展水平与经济规模紧密相关（点击文末“阅读原文”获取专题报告合集PDF版本）。文末227份算力行业研究报告最新趋势已分享在交流群，阅读原...
博客
【专题】2024年AIGC应用层趋势报告合集PDF分享（附原数据表）
09-29 603
原文链接：https://tecdat.cn/?p=378082023 年，AIGC 所代表的通用人工智能技术引发全球激荡。AIGC 经历三波进步浪潮：先是以 GPT 为代表的大模型涌现，奠定生成式人工智能发展基础；接着是应用层快速创新，推动智能化从 Chat 向 Work 转化；最后是深度业务场景应用，服务实体经济（点击文末“阅读原文”获取专题报告合集PDF版本）。预训练大模型为 AI 突破提供...
博客
【专题】新能源发电行业及其市场化进程概览白皮书报告合集PDF分享（附原数据表）...
09-27 556
原文链接：https://tecdat.cn/?p=37802随着中国经济结构的持续优化以及能源政策的不断进步，我国的能源消费呈现出稳定增长的态势（点击文末“阅读原文”获取专题报告合集PDF版本）。与此同时，能源利用效率逐步提高，清洁能源在能源结构中的比例也在稳步上升，这为国家的可持续发展战略提供了有力的支撑。文末204份电力行业研究报告最新趋势已分享在交流群，阅读原文进群和500+行业人士共同交...
博客
【专题】2024重塑正当时：人工智能AI引领银行业变革启航报告合集PDF分享（附原数据表）...
09-26 383
原文链接： https://tecdat.cn/?p=37794人工智能时代已然到来，正全方位重塑着银行业经营的大环境以及社会的各个领域。在汽车行业，特斯拉等企业凭借人工智能技术推出高级驾驶辅助功能，为自动驾驶奠定基础（点击文末“阅读原文”获取专题报告合集PDF版本）。生命科学领域，人工智能应用于药物研发，提升数据处理和工作流程自动化效率，助力研发到上市的全生命周期。公共安全方面，伦敦警察厅试点实...
博客
【专题】2024中国企业数字化转型指数-重塑生产力，增长新前沿报告合集PDF分享（附原数据表）...
09-25 339
原文链接：https://tecdat.cn/?p=37781全球变局加剧，领先企业优势凸显。企业面临转型挑战，数字化转型从追求创新转向全面重塑。地缘政治、疫情、通胀和气候变化等因素影响全球经济，IMF数据显示2023年增长率降至3.2%（点击文末“阅读原文”获取专题报告合集PDF版本）。在此背景下，生成式AI激发技术变革潜力，全球IT支出预计2024年增至5.26万亿美元。埃森哲全球颠覆指数显示...
博客
R语言非参数回归预测摩托车事故、收入数据：局部回归、核回归、LOESS可视化...
09-25 998
全文链接：https://tecdat.cn/?p=37784非参数回归为经典（参数）回归方法提供了一种灵活的替代方法。与假定回归关系具有依赖于有限数量的未知参数的已知形式的传统（参数）方法不同，非参数回归模型尝试从数据样本中学习回归关系的形式（点击文末“阅读原文”获取完整代码数据）。相关视频1.1 动机和目标所有非参数回归模型都涉及在拟合观察到的数据样本（模型拟合）和“平滑”函数估计（模型精简）...
博客
【视频讲解】非参数重采样bootstrap逻辑回归Logistic应用及模型差异Python实现
09-24 1239
全文链接：https://tecdat.cn/?p=37759分析师：Anting Li 本文将深入探讨逻辑回归在心脏病预测中的应用与优化。通过对加州大学欧文分校提供的心脏病数据集进行分析，我们将揭示逻辑回归模型的原理、实现过程以及其在实际应用中的优势和不足。同时，我们还将介绍多种优化方法，如牛顿迭代、随机梯度下降和贝叶斯逻辑回归等，以提高模型的性能和准确性（点击文末“阅读原文”获取完整代码...
博客
【专题】2024年中国白酒行业数字化转型研究报告合集PDF分享（附原数据表）
09-24 153
原文链接：https://tecdat.cn/?p=37755消费人群趋于年轻化，消费需求迈向健康化，消费场景与渠道走向多元化，这些因素共同驱动企业凭借数据能力来适应市场的变化。从消费市场来看，消费群体、需求、场景及渠道皆展现出与以往不同的新态势，促使白酒企业积极拥抱数字化转型，以数据驱动来响应市场的新变化与新趋势（点击文末“阅读原文”获取专题报告合集PDF版本）。年轻群体成为消费的重要力量，白酒...
博客
【专题】2024AI智慧生活白皮书：AI智能科技重塑居家智能家居AIoH体验报告合集PDF分享（附原数据表）...
09-23 198
原文链接：https://tecdat.cn/?p=37748AI 已然成为家电家居市场的创新核心动力，可在个性化识别、预测维护等多方面提升产品价值。家享生活行业智能化展现多元场景，清洁智能崛起超厨房智能居第二，全屋智能潜力巨大（点击文末“阅读原文”获取专题报告合集PDF版本）。“套装 / 集成智能” 等品类增长快，智能新客多由老客升级，消费有时序性，厨房和卫浴智能是入门，全屋和清洁智能是升级场景...
博客
【专题】2024年9月直播、短视频行业报告合集汇总PDF分享（附原数据表）
09-20 578
原文链接：https://tecdat.cn/?p=37744在信息时代的浪潮下，直播短视频行业以其独特的魅力和强大的影响力，迅速成为了大众娱乐、信息传播以及商业营销的重要领域（点击文末“阅读原文”获取专题报告合集PDF版本）。从微短剧的异军突起，到 TikTok 在海外市场的蓬勃发展；从抖音平台上的春日热点话题，到 AI 数字人带来的全新体验，直播短视频行业的每一个角落都充满了机遇与挑战。阅读原...
博客
【专题】2024年9月游戏行业报告合集汇总PDF分享（附原数据表）
09-20 750
原文链接：https://tecdat.cn/?p=37732在当今数字化高速发展的时代，游戏行业已然成为了文化与科技融合的前沿阵地。中国游戏行业凭借着不断创新的技术、丰富多元的内容以及日益拓展的市场，正以蓬勃之姿在全球舞台上绽放光彩（点击文末“阅读原文”获取专题报告合集PDF版本）。阅读原文，获取专题报告合集全文，解锁文末153份游戏相关行业研究报告。2024 年，中国游戏行业面临着新的机遇与挑...
博客
Python用TOPSIS熵权法重构粮食系统及期刊指标权重多属性决策MCDM研究|附数据代码...
09-18 1299
原文链接：https://tecdat.cn/?p=37724在当今世界，粮食系统的稳定性至关重要。尽管现有的全球粮食系统在生产和分配方面表现出较高的效率，但仍存在大量人口遭受饥饿以及诸多粮食安全隐患。与此同时，在学术领域，准确评估情报学期刊的质量和影响力对于学术研究和信息传播意义重大（点击文末“阅读原文”获取完整代码数据）。本研究旨在通过TOPSIS熵权法、多属性决策(MCDM)方法对全球粮食系...
博客
【视频讲解】线性时间序列原理及混合ARIMA-LSTM神经网络模型预测股票收盘价研究实例...
09-14 1069
原文链接：https://tecdat.cn/?p=37702分析师：Dongzhi Zhang近年来人工神经网络被学者们应用十分广泛，预测领域随着神经网络的引入得到了很大的发展（点击文末“阅读原文”获取完整代码数据）。本文认为单一神经网络模型对序列所包含的线性信息和非线性信息的挖掘是有限的，因此本文为了进一步的提高对这两类数据的预测效果，将神经网络与传统的时间序列模型ARIMA模型相结合建立混合...
博客
【专题】2024新能源企业“出海”系列之驶向中东、东南亚报告合集PDF分享（附原数据表）...
09-14 276
原文链接：https://tecdat.cn/?p=37698在“双碳”目标引领下，中国新能源产业近年迅猛发展，新能源企业凭借技术革新、政策支持与市场驱动实现快速增长，在产业链完备、技术领先、生产效能及成本控制等方面优势显著（点击文末“阅读原文”获取专题报告合集PDF版本）。面对国内外环境不确定性增强的常态化态势，中国新能源企业积极开拓海外市场，开启“出海”征程。阅读原文，获取专题报告合集全文，...
博客
【专题】2024大健康产业热点分析报告合集PDF分享（附原数据表）
09-13 463
原文链接：https://tecdat.cn/?p=37691自《健康中国2030》规划发布以来，“预防优于治疗”的理念逐渐成为共识。这推动了传统以治疗为中心的健康产业向更广泛的大健康产业转型，形成了一个覆盖面更广、增长动力更强的产业体系。得益于国家政策的大力支持、技术的迅猛发展、市场需求的稳步增长以及医疗消费的持续上升，中国大健康产业迎来了众多新的增长机遇（点击文末“阅读原文”获取专题报告合集P...
博客
【专题】2024跨境出海供应链洞察-更先进供应链报告合集PDF分享（附原数据表）...
09-12 637
原文链接：https://tecdat.cn/?p=37665当前，全球化商业浪潮促使跨境电商行业飞速发展，产业带与跨境电商接轨、平台半托管模式涌现、社交电商带来红利机会以及海外仓不断扩张，这使得产业带外贸工厂、内贸工厂、传统进出口企业和品牌企业等纷纷加速布局跨境电商，赛道的繁荣也加剧了供给侧的竞争（点击文末“阅读原文”获取专题报告合集PDF版本）。阅读原文，获取专题报告合集全文，解锁文末408份...
博客
深度神经网络DNN、RNN、RCNN及多种机器学习金融交易策略研究|附数据代码
09-12 1828
全文链接：https://tecdat.cn/?p=37668分析师：Aijun Zhang在当今的金融领域，量化交易正凭借其科学性和高效性逐渐成为主流投资方式之一。随着大数据技术的蓬勃发展，量化交易借助先进的数学模型和计算机分析能力，摒弃了人的主观判断，通过挖掘海量历史数据来锁定各种可能带来超额收益的 “高概率” 事件，从而有效降低投资者在市场波动中因情绪影响而做出非理性决策的风险（点击文末“...
博客
【专题】2024年8月数字化、数智化行业报告合集汇总PDF分享（附原数据表）
09-11 1026
原文链接：https://tecdat.cn/?p=37649在 2024 年的时代浪潮中，数字化的影响力如涟漪般在各个领域层层扩散。企业作为经济的基本单元，其数字化发展进程关乎整体经济格局的走向，无论是人才的实践探索还是中小企业的转型尝试，都在塑造着新的企业运营模式（点击文末“阅读原文”获取专题报告合集PDF版本）。与此同时，行业的数字化转型也在如火如荼地进行，数智医疗和数字化敏捷银行等领域正经...
博客
TensorFlow深度学习框架改进K-means聚类、SOM自组织映射算法及上海招生政策影响分析研究...
09-11 1589
全文链接：https://tecdat.cn/?p=37652分析师：Chen Zhang在教育政策研究领域，准确评估政策对不同区域和学生群体的影响至关重要。2021 年上海市出台的《上海市初中学业水平考试实施办法》对招生政策进行了调整，其中名额分配综合评价模块的变化尤为关键（点击文末“阅读原文”获取完整代码数据）。相关视频从机器学习和数据分析的角度来看，这为我们提供了一个极具价值的研究场景。在...
博客
【专题】2024年中国折叠屏手机市场与消费趋势研究报告合集PDF分享（附原数据表）...
09-10 213
原文链接：https://tecdat.cn/?p=37645中国智能手机市场目前仍处于整体增长瓶颈期，增长复苏未达预期，消费者换机预期周期不断延长，使得行业对破局点的探寻更为紧迫。与此同时，中端消费者购机呈现出消费降级与升级的分化态势，不过更多人会选择体验更好、配置更优的产品以延长使用时间（点击文末“阅读原文”获取专题报告合集PDF版本）。IDC 数据表明，2024 年二季度，600 美元以上高...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值