R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据...

于 2023-04-10 14:18:36 发布
阅读量187 收藏 2
点赞数
文章标签： r语言 逻辑回归 机器学习 开发语言 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/130073451
版权
本文使用Logistic回归和MCMCglmm模型分析了吸烟、喝酒和赌博习惯的关联，发现性别、年龄、教育水平和婚姻状况等因素对其有显著影响。吸烟者往往较年轻，男性更多，低收入和低教育水平人群更可能吸烟。饮酒和赌博习惯也受到类似因素的影响，并且吸烟与饮酒之间存在正相关关系。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

原文下载链接：http://tecdat.cn/?p=29196

吸烟、喝酒和赌博被认为是由许多因素造成的。Logistic回归分析是一个非常有效的模型，可以检验各种解释变量和二元反应变量之间的关系。同时，双变量模型分析也被用于检验单变量模型之间的相关性。本项目的目的是利用统计方法来检验某个因素是否对吸烟、喝酒或赌博偏好有显著影响。然后用这个结果来预测这些习惯之间的组合（点击文末“阅读原文”获取完整代码数据）。

绪论 

本节介绍了 "解释吸烟喝酒和赌博的参与 "的研究背景。实际上，由于吸烟、喝酒和赌博的双重性和复杂性，它们的争论从未停止。大量的人把吸烟、喝酒和赌博当作坏习惯，有许多原因使他们反对这些习惯，许多研究也支持他们的观点。

文献回顾

涉及吸烟、饮酒和赌博习惯的关联的文献越来越多。在早期的研究中，许多研究者认为，吸烟、喝酒和赌博有明显的结合。每天吸烟的人比非每天吸烟的人更有可能参与赌博活动。每日吸烟者比非每日吸烟者在赌博上花费更多的时间和金钱（Nancy M. Petry和Cheryl Oncken，2002）。

方法论

模型假设

从数据集来看，吸烟、喝酒和赌博的反应显然只有是或不是，这是二进制的。而且，所有的解释因素都可以被归类或被视为连续的。因此，使用Logistic回归作为基本模型是可靠的。

0e2fd78768a834891c67fb44da6f9c79.png

基础知识。Logistic回归可以是二元的，也可以是多元的。在二进制中，结果只能是0或1，而在多进制中，结果可以是三个或更多，例如，A、B和C三个级别。

Logistic函数是

bb1fec16b7772d558b68bb5079126632.png

然后

e079782347ed779709790372429a14e0.png

如果有多个解释变量，上述表达式β0+β1x可以修改为β0+β1x1+β2x2+...。+ βmxm。在这种情况下，我们假设：Y1=吸烟，Y2=喝酒，Y3=赌博。我们有8个解释变量，每个解释变量可以分为几个类别。因此

b811f0571997f575a99158010e88ea35.png

和

83ddd75410c92b7d8722c69e65843993.png

其中i = 1, 2, 3

那么，如果吸烟，y1=1，否则y1=0。

y2 = 1，如果喝酒，y2 = 0，否则。

y3=1，如果赌博，y3=0，否则。 

此外，随机效应也应该被添加到模型中。

相关视频

带随机效应的Logistic回归

ac8c38599b8b50b2ef9ad5db3b16783b.png

分析数据

以下显示了我们如何进行这项研究。首先，我们参考文献和以前所做的研究，以确定那些被认为对吸烟、喝酒和赌博有重大影响的潜在变量。

结果

在这一部分中，我们将对单一分类的解释因素进行分析。首先，将使用箱形图来显示连续变量与吸烟、饮酒和赌博等的关联。箱形图将显示连续变量与Yi的关系。同时，条形图将被用来显示分类变量的影响。

吸烟结果

ggplot(smoke\_age,aes(as.factor(smoking),age))+geom\_boxplot()+labs(title="Smoking-age",x="smoking",y="age")

bc7a891c55f154e049aa6472c316a141.png

9034f906bab3715445bd75f577effdf4.png

从图1可以看出，吸烟者的年龄中位数比非吸烟者小。吸烟者的年龄段在18至87岁之间，而非吸烟者则分布在各个年龄段。该图表明，年轻人更有可能吸烟。年龄对吸烟有明显的影响，年龄的估计值为-0.1017，这意味着吸烟和年龄有负相关。

ggplot(smoke\_gender, aes(gender,fill=as.factor(smoking)))+geom\_bar(position = "fill")+labs(title ="Smoking-gender", x = "gender", y = "smoking")

8f6d466caff23fbc71e6ee53af295915.png

8194cd877d771e4bc5bcc9c69e4cca62.png

参照图2，1代表吸烟者，0代表不吸烟者。图中显示，男性吸烟者比女性吸烟者多一点，这意味着性别对吸烟偏好有影响。R输出也给出了同样的结论，P值是显著的，男性的估计值为0.20793，这意味着男性更可能吸烟。

32e001d912d7ed637af1ac5f8e4c6661.png

f8680e450351357681031fd73edde6db.png

图3表明，教育水平对吸烟习惯有显著影响。吸烟的概率按照教育水平的顺序排列。拥有较高教育水平的人吸烟的可能性较小。尽管数据不详，但很明显，拥有学位的人最不可能吸烟，而没有学历的人最可能吸烟。HNC组的吸烟者比EDU-18以下组少。图4右侧的估计值与图中的数据相符。随着教育水平的提高，吸烟者的概率明显下降。吸烟的概率与教育水平呈负相关。

点击标题查阅往期内容

18793583280ea39e7b1fd2c671771e88.jpeg

R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例

outside_default.png

左右滑动查看更多

outside_default.png

01

59b1ccf34583c56a7fa6130d30edeb84.png

02

8e3f78e5a297d8a08f2bdd8e63857c56.png

03

575265849abeba72814b67f394700dd7.png

04

81e545334fc85320f4fc28aba8fa8e39.png

带有随机效应的单变量模型

检查随机效应的显著性

fit.no < −glm(gambler 1, f amily = binomial(logit0))

And check significance using

anova(f it.ID, f it.no)

在'fit.no'中加入随机效应后，AIC从1269.5降低到895.3，P值显示了家庭ID的显著影响。因此，在单变量模型中加入随机效应是合理的。

使用'lme4'拟合单变量模型

在这一节中，吸烟、喝酒和赌博的数据将在单变量模型中被拟合。以下是来自R的结果。

re.smoker=glmer(smoker~male+age+income+whiteO+mixed+asian+chinese+african+other+degresummary(re.smoker)

5943c56d0c0236fcdefb0dac70c9162e.png

表2包含对吸烟偏好有明显影响的变量。可以得出结论：男性、年轻、收入低、无学历、单身、分居或失业的人更有可能成为吸烟者。而女性、年龄较大、收入较高、有学位、学生或退休的人则不太可能成为烟民。饮酒模型也有和吸烟模型一样的问题，所以我们也需要放弃一些列以确保模型能够收敛。

4319bceb1d5dd1475182eb9c24be787a.png

以上是本项目中的单变量模型，每个模型都已经分析过了，接下来我们将使用这些单变量模型来拟合双变量模型。

3d386993fb59af17e230b91cdc047710.png

b16aad11c665d32b10f402ce7581999d.png

使用 "MCMCglmm "拟合单变量模型

由于每个单变量模型都是由一系列因素拟合的，为了了解反应是如何相互影响的，我们可能还要考虑到与其他性状可能存在的协方差。

model.smoker<- MCMCglmm(smoker~male+age+income+whiteO+mixed+asian+chinese+african+arasummary(model.smoker)

表5中的显著变量与表2非常相似，唯一不同的是，被放弃的变量 "edu unknown "和 "employother "在表5中是显著变量。

1a9b0e391b21b3a11d114f76a2a6d428.png

从表6和表3可以看出，使用'lme4'和'MCMCglmm'的饮酒模型预测了相同的显著效果。

3c47b2a69cabf3c765a217c502050075.png

与表7和表4相比，大多数重要的变量是相同的，只有 "失业 "在使用 "lme4 "的赌博模型中不显著。

fd05ddccd9193c293274199ff0fbfb1f.png

使用'MCMCglmm'的双变量模型

在本节中，我们将计算出本项目的最终结果，即吸烟、喝酒和赌博习惯之间的关系。

在这里，我们可以计算出吸烟者和饮酒者之间的相关关系，其方差为

4a04dcf823df19d383a6c9e58484c88f.png

51e42cfa4e7ee4beb96d1b23ef34f0fd.png

037caebe36ddf33f8af177ada4ba15c3.png

ce6ac38e18ad7b5ddf812c04c24124c3.png

相关性=posterior.mode(correlation) = 0.16

正相关表明，在这个双变量模型中，喜欢吸烟的人更可能是饮酒者。

在分析了吸烟者和饮酒者之间的相关性之后，我们现在用双变量的'MCMCglmm'模型来测试吸烟者和赌博者之间的关系船。表9显示了单变量模型的协变量。

启示

通过使用逻辑回归法，我们能够确定导致吸烟、喝酒和赌博的重要因素。在本项目中，似乎对这三种习惯都有影响的重要因素是性别、教育水平和婚姻状况。同时，本研究还给出了每个分类因素的估计值，这可以用来说明某个因素对这些习惯的影响是积极的还是消极的。

吸烟、饮酒和赌博之间的组合是通过双变量模型来检验的。利用这个模型，我们可以得到吸烟模型、饮酒模型和赌博模型之间的固定和随机效应的相关关系。例如，通过正相关关系，我们可以说明喜欢吸烟的人也会喜欢喝酒。

References

Kenneth J.Mukamal. The effects of smoking and drinking on cardiovascular disease and risk factors. Alcohol Research & Health Vol. 29, No. 3, 2006

William J. Blot, Joseph K. McLaughlin, Deborah M. Winn, et al. 吸烟和饮酒与口腔和咽喉癌的关系. 癌症研究》1988；48：3282-3287。

66b9ba85196aa4af5709249b38b2c78a.png

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据》。

2fd2d8e4644941b27453b0796801e36b.jpeg

本文中的吸烟数据分享到会员群，扫描下面二维码即可加群！

628d7b1ceb0f7ade3a32f1685b1ac496.png

点击标题查阅往期内容

R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例

非线性混合效应 NLME模型对抗哮喘药物茶碱动力学研究

生态学模拟对广义线性混合模型GLMM进行功率（功效、效能、效力）分析power analysis环境监测数据

有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据

如何用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据

R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据

R语言 线性混合效应模型实战案例

R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据

R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状

R语言基于copula的贝叶斯分层混合模型的诊断准确性研究

R语言建立和可视化混合效应模型mixed effect model

R语言LME4混合效应模型研究教师的受欢迎程度

R语言 线性混合效应模型实战案例

R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）

R语言基于copula的贝叶斯分层混合模型的诊断准确性研究

R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题

基于R语言的lmer混合线性回归模型

R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型

R语言分层线性模型案例

R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型

使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM

R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型

SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据

用SPSS估计HLM多层（层次）线性模型模型

ec733dd09fdca74cd28fc0236fc75725.png

d78046d791691751e1c68aa44170ba75.jpeg

9ee2f85e9dde7f8ea1b2f44bfcf88c9d.png

博客
2025数智化供应链白皮书90+份汇总解读|附PDF下载
05-14 4
例如，在智能采购中，AI大模型可以分析供应商历史数据、市场动态及价格趋势，智能匹配最优供应商，结合需求预测与库存状况，自动生成精准采购策略，实现成本与库存的双重优化。然而，面对日益复杂的供应链网络，传统的人工决策方式已经无法全面考虑到全局因素，制约了运作效率的提升，也更难以发现新的价值机会和渠道。本报告汇总解读将深入剖析数智化供应链在当前经济格局下的发展态势，通过对大量行业数据的分析，揭示其面临的挑战与机遇，并以安得智联等企业的实践为案例，探讨数智化供应链的创新模式与应用场景。
博客
SARIMA-LSTM融合模型对太阳黑子数量预测分析|附智能体数据代码
05-13 411
该流程图系统描述了太阳黑子数量序列的预测分析流程：首先进行数据稳定性检验，若序列非平稳，进行多次差分直到序列平稳，SARIMA侧重捕捉周期性特征，于是提取季节性与趋势数据对SARIMA进行参数优化与模型构建，得到SARIMA模型结果，与真实值的差值为残差序列。融合模型是通过结合多个基模型预测结果来提升整体预测性能的机器学习范式，在本研究中，基模型为SARIMA模型与LSTM模型，它们分别具备良好的处理数据中线性和季节性成分的性能与处理非线性或复杂成分的性能，在众多方向发展已经有研究。从而确保数据的有效性。
博客
2025政企行业智能体（AI Agent）研究报告380+份汇总解读|附PDF下载
05-13 35
社区AI Agent基于相关政策和数据，为居民提供信息查询、物业事项办理等服务，实现了“问”“查”“听”“做”的全方位服务，助力建设智慧便捷的高效服务体系，提高了企业和群众的办事满意度。为提升稳定性，需扩展通用及政企行业的工作流程，将其抽象并标准化，转化为经验数据，增强AI Agent的独立决策能力和环境适应性。该平台整合多级政策和行业知识资源，训练诊断咨询大模型，为企业提供政策服务、诊断评估等一站式服务，帮助中小企业解决“不想转、不会转、不敢转”的难题，推动中小企业数字化转型，提升区域数字经济发展水平。
博客
2025半导体行业投融资、薪酬报告60+份汇总解读|附PDF下载
05-09 25
B 轮融资有 131 起，占比约 20%，表明不少半导体公司进入中后期融资阶段，但 C 轮及以后的比例较低，只有少数具备持续创新、保持市场领先地位并实现规模化盈利的企业，才能成功获得 C 轮融资，如瀚博半导体作为高端 GPU 芯片提供商，就拿到了 C 轮融资。上海以 113 起融资事件断层领先，这得益于其拥有完整的半导体产业链，涵盖芯片设计、制造、封装测试、设备材料等环节，张江高科技园区更是聚集了中芯国际、紫光展锐、华虹半导体等龙头企业，形成协同效应，同时相关政策的扶持也为半导体产业发展提供了有力支持。
博客
ARIMA-ETS-LightGBM集成及随机森林在信用卡AMT关联、汇率波动与贷款违约预测中的跨模型协同应用实践
05-09 881
在信用卡与替代性最低税（AMT）关系的研究中，我们创新地将传统时间序列模型 ARIMA、ETS 与当下热门的 LightGBM 算法相结合，通过数据清洗、衍生变量构造，以集成学习加权平均的方式预测两者关联，弥补单一模型的不足。而银行贷款违约预测项目，我们从庞大的贷款借款人数据出发，经属性规约、数据清洗与变换，运用随机森林算法构建分类模型，实现对贷款违约风险的有效预测。而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。
博客
2024年中国企业跨境、出海、国际化、全球化行业报告汇总解读|附PDF下载
05-08 125
原文链接： https://tecdat.cn/?p=38542在当今全球化浪潮汹涌澎湃之际，中国企业的跨境、出海、国际化与全球化征程正深刻重塑着商业版图。本报告合集犹如一盏明灯，深入洞察这一宏大进程。开篇聚焦出海核心区域与行业布局，制造业于东南亚等区域的多元战略布局，以及各行业在国际化征途中的机遇挑战尽显无遗（点击文末“阅读原文”获取专题报告合集PDF版本）。继而转向新兴领域，数字贸易在亚太地区的崛起分化，新能源企业于中东、东南亚的崭露头角令人瞩目。文末455份跨境、出海、国际化、全球化行业研究报告最新趋
博客
CNN-LSTM、GRU、​XGBoost、LightGBM风电健康诊断、故障与中国银行股票预测应用实例
05-08 752
预训练模型是基于序列到序列框架的基于注意力机制的CNN-LSTM模型，该模型首先利用基于注意力机制的多尺度卷积来提取原始股票数据的深层特征，然后利用长短期记忆网络挖掘时间序列特征，最后采用XGBoost模型进行微调。而在股票价格预测领域，针对传统 ARIMA 模型的局限性，创造性提出结合注意力机制的 CNN-LSTM-ARIMA-XGBoost 混合模型，通过预训练 - 微调框架，显著提升预测精度。通过对原始序列和一阶差分序列进行ADF检验的结果表明，原始序列是非平稳的，一阶差分序列是平稳的。
博客
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据|附AI智能体
05-07 931
在我们的案例中，我们首先将从医生那里取样，然后在每个取样的医生中，我们将从他们的病人那里取样。分布看起来相当正常和对称，你仍然可以看到长的右尾，即使使用了平方根刻度（注意，只有刻度被转移，数值本身没有被转换，这很重要，因为这让你看到并解释实际的分数，而不是分数的平方根）。下面我们使用glmer命令估计混合效应逻辑回归模型，Il6、CRP和住院时间为患者水平的连续预测因素，癌症阶段为患者水平的分类预测因素（I、II、III或IV），经验为医生水平的连续预测因素，还有DID的随机截距，医生ID。
博客
Python+AI提示词用LSTM和注意力机制的苹果公司股票价格预测
04-30 672
与传统的RNN不同，LSTM通过其独特的结构，包括输入门、遗忘门和输出门，能够有效地解决梯度消失的问题，从而保持长时间的信息记忆。AI提示词：使用yfinance库获取苹果公司最近60天的股票数据，选择收盘价并进行缩放处理，将处理后的数据转换为适合模型输入的格式，然后使用训练好的模型进行预测，并将预测结果转换回原始价格尺度并打印。AI提示词：在上述构建的LSTM模型基础上，添加注意力机制，包括进行必要的维度变换操作，如Permute和Reshape，以确保模型结构的兼容性，并添加一个全连接层和编译模型。
博客
2025年银行业展望报告200+份汇总解读|附下载
04-29 38
报告从全球银行业的整体运行状况切入，以详实的数据展现盈利、成本、业务增长等方面的现状，进而深入探讨地缘政治、技术、客户与员工需求等因素对银行业的影响，并针对这些挑战提出切实可行的应对策略，旨在为行业参与者和观察者提供全面且具前瞻性的洞察，助力其在充满变数的市场环境中精准把握趋势、制定有效决策。欧洲市场中，德国、法国、西班牙和意大利的银行贷款增长率将从2024年的0.2%升至2025年的3.1%，住房抵押贷款、消费信贷和商业贷款均呈现良好回升态势，这将推动2025年净利息收入预计增长3%（2024年为零）。
博客
2025年1-3月人工智能AI行业500+份报告汇总解读|附下载
04-29 157
原文链接：https://tecdat.cn/?p=41437在科技飞速发展的当下，人工智能（AI）已成为推动各行业变革的核心力量。从生命科学到制造业，从数据中心能耗到企业运营，AI正以前所未有的速度渗透到各个领域，改变着我们的生活和工作方式。本次汇总解读将深入剖析AI在多领域的应用现状、发展趋势以及面临的挑战，为行业从业者和关注者提供全面且深入的洞察，助力把握AI时代的机遇（点击文末“阅读原文”获取专题报告合集PDF版本）。本报告汇总洞察基于文末500+份人工智能行业研究报告的数据，报告合集已分享在交流群
博客
Python、R语言南方电网、电力负荷数据多模型构建：分位数回归、GAM样条曲线、指数平滑和SARIMA与预测实践
04-28 984
对于没有明显趋势或季节规律的预测数据，通常采用 SES 模型，该模型预测使用加权平均计算，最大的权重与最近的观测值相关，而最小的权重与最远的观测值相关。：对于数据，由于电费资金收入的规则、政策以及当地的产业情况变动频繁，时间较久远的日度收入规律不具有参考性，故采用最近一年的数据，即 2020 年 8 月至 2021 年 11 月的数据进行建模，其中 2020 年 8 月至 2021 年 7 月为训练集，2021 年 8 - 10 月为验证集，2021 年 11 月为测试集。
博客
2025中国生命科学行业概览及未来展望报告200+份汇总解读|附PDF下载
04-28 30
那些能够聚焦高增长细分领域，如牙科、服务领域，并且通过AI驱动的产品平台化创新，像达芬奇手术机器人那样实现差异化的企业，成为了行业的优胜者。在首席执行官的领导下，赛诺菲推出了全面的基因AI平台。从全球视角来看，生命科学行业正处于快速变革与发展的关键时期，中国市场更是凭借庞大的人口基数、不断提升的科研实力以及逐步完善的政策支持体系，成为全球生命科学领域中备受瞩目的重要力量。通过持续的技术创新、合理的市场布局以及积极的政策响应，中国生命科学行业有望在全球市场中占据更加重要的地位，为人类健康事业做出更大的贡献。
博客
2025年Q1消费者行业报告470+份汇总解读|附PDF下载
04-27 60
分市场来看，发达市场增长乏力，2024年销售额从2023年的7.7%降至4.5%，销量持平，这主要是高通胀使消费者支出集中于性价比高的产品，挤压了大众和价值产品市场份额。新兴市场则是增长主引擎，年同比增长11%，几乎贡献了全球消费品行业的全部销量增长，尽管中国和印度等关键市场增速低于预期，但仍实现两位数销售增长。早期，AI应用多为年轻的先锋人群所青睐，但在2024年，各年龄段的用户占比发生了显著变化，年长用户群体对AI应用的参与度逐步提升，使AI应用的年龄分布更趋近于整体移动互联网用户的年龄结构。
博客
视频讲解|Python贝叶斯优化长短期记忆网络BO-LSTM的能耗、黄金价格预测可视化
04-27 934
而在能源领域的项目里，我们基于 PyTorch 构建贝叶斯 LSTM 模型，利用蒙特卡罗 dropout 实现不确定性量化，让能耗预测不仅有了精准的数值，更附带了可靠的置信区间，为能源调度等工作提供了丰富的决策参考。通过对能耗数据的精心处理，为模型训练奠定了良好基础；AI提示词：定义实验次数，对测试集进行多次预测，将每次预测的结果存储在数据框中，计算预测值的均值和标准差，添加到数据框中，然后计算置信区间的上下界，并使用plotly.graph_objects绘制包含真实值、置信区间上下界的可视化图形。
博客
2025年Q1生命科学、医药、医疗器械行业报告300+份汇总解读|附PDF下载
04-24 57
在生物医药区域研发方面，从全国城市总体情况到五大城市群，再到长三角、环渤海、珠三角、成渝等地区城市，都对比了研发相关数据，展示了不同区域的研发实力和发展特点。医药研发外包行业受上游市场影响，企业格局呈现中外竞争等局面，CRO 企业数量、分布等情况明确，临床 CRO 业务能力各有差异，行业前景有机遇也有风险。头豹：2024年中国生物医药创新药的国际化征途-全球医药市场将达两万亿... 报告2024-08-01Meltwater融文：2024年消费者洞察报告：医疗健康 报告2024-08-01。
博客
Python+AI提示词出租车出行轨迹预测：梯度提升GBR、KNN、LR回归、随机森林融合及贝叶斯概率异常检测研究
04-23 808
在未来的研究中，我们可以进一步优化这些模型，比如调整模型的超参数、尝试更多的特征工程方法，或者结合多个模型的预测结果，以提高预测的准确性和可靠性。在对出租车出行数据进行了详细的探索性分析和异常数据检测后，我们进一步深入研究，尝试构建多种机器学习模型来对出租车的行程进行预测，以便更精准地把握出租车出行的规律，为城市交通规划和运营提供更有力的支持。从结果来看，不同的模型各有优劣。为了构建合适的机器学习模型，我们首先对数据进行了必要的预处理和特征工程，将数据划分为训练集和测试集，分别用于模型的训练和评估。
博客
2025年Q1新能源汽车、智能汽车行业报告400+份汇总解读|附PDF下载
04-23 228
2023年12月1日至2024年11月30日期间，其新闻曝光率是比亚迪的两倍多，正面评价比负面评价多出约53%，这些正面评价多源于生产里程碑，如2024年3月生产第600万辆汽车等进展。2024年，比亚迪法律和政府主题相关的全球新闻报道同比增长372%，远高于特斯拉的68%，“关税”一词在比亚迪最受欢迎的关键词中排名第11，而特斯拉关键词较少涉及政府相关新闻。某自主品牌新能源车型，通过引进和研发先进技术，提升续航里程和智能驾驶水平，融入时尚外观设计，且价格合理，赢得消费者认可。
博客
2025年1-3月人工智能AI行业500+份报告汇总解读|附PDF下载
04-23 118
原文链接：https://tecdat.cn/?p=41437在科技飞速发展的当下，人工智能（AI）已成为推动各行业变革的核心力量。从生命科学到制造业，从数据中心能耗到企业运营，AI正以前所未有的速度渗透到各个领域，改变着我们的生活和工作方式。本次汇总解读将深入剖析AI在多领域的应用现状、发展趋势以及面临的挑战，为行业从业者和关注者提供全面且深入的洞察，助力把握AI时代的机遇（点击文末“阅读原文”获取专题报告合集PDF版本）。本报告汇总洞察基于文末500+份人工智能行业研究报告的数据，报告合集已分享在交流群
博客
PyMC+AI提示词贝叶斯项目反应IRT理论Rasch分析篮球比赛官方数据：球员能力与位置层级结构研究
04-22 936
最后对后验结果进行多维度分析，不仅发现了模型中部分池化的效果，还揭示了球员表现与位置之间的潜在关系，为篮球比赛的策略制定和裁判判罚研究提供了新的视角。在篮球比赛中，我们观察到的是一个二元结果，即犯规是否被吹罚，这一结果来自于两个不同角色球员（犯规球员和被侵犯球员）在一次篮球进攻中的互动。通过这种方式，我们可以对球员进行从高到低的排名，量化排名中的不确定性，并发现犯规判罚中涉及的额外层级结构。在分析过程中，我们不仅观察到了模型中部分池化的效果，还通过对后验结果的可视化，发现了球员表现与位置之间的潜在关系。
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