自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

笑不语的博客

一起学习一起进步

  • 博客(222)
  • 资源 (2)
  • 收藏
  • 关注

原创 利用vivid包,点亮机器学习模型图:惊艳的可视化新体验

在本文中,我们将介绍'vivid'包的基本用法和功能,并展示如何利用它进行机器学习模型的可视化。通过具体的示例和案例,我们将展示'vivid'包在点亮机器学习模型图方面的惊艳效果,帮助读者更好地理解和应用这一强大的可视化工具

2024-04-10 12:00:20 404

原创 R统计实战:详解机器学习Adaboost的操作步骤与应用

本文将深入研究一个机器学习主题:Adaboost。Adaboost是一种集成学习算法,用于构建强分类器。我们旨在帮助读者深入理解和应用机器学习技术,提高实际问题的解决能力。

2024-04-02 23:58:03 1053

原创 机器学习-生存分析:基于QHScrnomo模型的乳腺癌患者风险评估与个性化预测

通过深入研究乳腺癌患者的风险评估和个性化预测,可以帮助医生更准确地制定治疗方案,提高治疗效果,降低不必要的治疗费用和副作用。该模型结合了多种临床特征和分子标志物,能够更精准地预测乳腺癌患者的生存情况和治疗效果,为个性化医疗提供了新的思路和方法。通过不断优化模型和更新数据,可以提高模型的预测精度,为乳腺癌患者的治疗提供更科学的依据。模型训练:QHScrnomo 模型采用机器学习算法,如深度学习、支持向量机等,通过对已知数据的学习和训练,建立起乳腺癌患者生存情况的预测模型。这有助于提高模型的预测能力和准确性。

2024-03-28 17:07:05 428

原创 乳腺癌患者生存分析大揭秘:可解释性学习全方位解读!

通过生存分析和可解释性学习,可以帮助医生更好地了解患者的病情和预后,从而制定更有效的治疗方案,提高患者的生存率和生活质量。根据最新统计数据显示,五年生存率在不同阶段的乳腺癌患者中有所差异,早期发现和治疗的患者生存率较高,而晚期诊断的患者生存率相对较低。通过对乳腺癌患者生存率和关键影响因素的分析,以及数据收集和常用分析方法的介绍,我们能够更全面地了解乳腺癌患者的生存情况,为后续的研究提供基础。收集乳腺癌患者的临床数据对于进行生存分析至关重要,可以帮助医生更好地了解患者的病情和预后,指导治疗方案的制定和调整。

2024-03-25 15:39:54 449

原创 机器学习-可解释性机器学习:支持向量机与fastshap的可视化模型解析

在二分类情况下,SVM的目标是找到一个能够将不同类别的数据点分开的超平面,并且使得该超平面到最近的数据点(支持向量)的距离最大化。fastshap是一种用于快速计算SHAP值(SHapley Additive exPlanations)的工具,通过近似SHAP值的计算加速了模型的解释过程,使得模型的解释更为高效和可视化。综上所述,支持向量机作为一种强大的监督学习方法,在文本分类、图像识别、生物信息学等领域展现出了良好的应用前景,同时其高维空间处理能力和泛化能力也使其成为解决复杂问题的重要工具。

2024-03-21 23:05:34 1230

原创 散点图也能如此华美,美化技巧不容错过!

作为一种重要的数据可视化工具,在数据分析和展示中扮演着至关重要的角色。通过展示不同变量之间的关系,散点图能够帮助我们发现数据中隐藏的规律和趋势,从而更好地理解数据背后的含义。然而,除了传达数据信息外,散点图的视觉效果也至关重要。本文将探讨散点图美化技巧,旨在通过设计和样式改进散点图的视觉效果,使其更具吸引力和表现力。同时,将引入一些高分论文中使用的散点图范例,展示它们的高端设计和数据展示效果,为读者提供更多灵感与启示。函数设置散点图的基本框架,指定 x 和 y 轴变量。

2024-03-20 22:24:45 327

原创 机器学习-特征选择:如何使用RFE与随机森林技术提升乳腺癌预测模型的效能?

通过生成局部线性模型来近似原始模型的预测,LIME技术可以帮助用户理解模型在特定样本上的决策过程,提高模型的可解释性和信任度。因此,寻找一种有效的解释方法,能够准确地解释随机森林模型的预测结果,对于提高模型的可解释性至关重要。:SHAP基于博弈论中的Shapley值概念,通过计算特征值对预测结果的贡献度来解释模型的输出,从而确定每个特征对最终预测结果的影响。:LIME基于生成局部可解释性模型来解释模型的预测结果,通过在特定样本周围生成虚拟样本并训练解释性模型来近似原始模型的决策过程。

2024-03-20 11:20:29 925

原创 8分SCI | 揭示随机森林的解释奥秘:探讨LIME技术如何提高模型的可解释性与可信度!

通过生成局部线性模型来近似原始模型的预测,LIME技术可以帮助用户理解模型在特定样本上的决策过程,提高模型的可解释性和信任度。因此,寻找一种有效的解释方法,能够准确地解释随机森林模型的预测结果,对于提高模型的可解释性至关重要。:SHAP基于博弈论中的Shapley值概念,通过计算特征值对预测结果的贡献度来解释模型的输出,从而确定每个特征对最终预测结果的影响。:LIME基于生成局部可解释性模型来解释模型的预测结果,通过在特定样本周围生成虚拟样本并训练解释性模型来近似原始模型的决策过程。

2024-03-14 21:27:38 1027

原创 8分SCI | 揭示随机森林的解释奥秘:探讨LIME技术如何提高模型的可解释性与可信度!

通过生成局部线性模型来近似原始模型的预测,LIME技术可以帮助用户理解模型在特定样本上的决策过程,提高模型的可解释性和信任度。因此,寻找一种有效的解释方法,能够准确地解释随机森林模型的预测结果,对于提高模型的可解释性至关重要。:SHAP基于博弈论中的Shapley值概念,通过计算特征值对预测结果的贡献度来解释模型的输出,从而确定每个特征对最终预测结果的影响。:LIME基于生成局部可解释性模型来解释模型的预测结果,通过在特定样本周围生成虚拟样本并训练解释性模型来近似原始模型的决策过程。

2024-03-14 21:09:02 783

原创 机器学习-可解释性机器学习:随机森林与fastshap的可视化模型解析

=本文旨在探讨随机森林和fastshap作为可视化模型解析工具的应用,以帮助解释机器学习模型的决策过程和关键特征。通过对这两种方法的深入研究,可以更好地理解模型背后的逻辑,为进一步的应用提供指导。

2024-03-08 17:51:58 1068 1

原创 survey和surveyCV:如何用R语言进行复杂抽样设计、权重计算和10折交叉验证?

是在复杂抽样设计中必不可少的一步,它的目的是根据样本的选取概率和不同样本的贡献,调整样本的权重,以更准确地估计总体参数。这些工具和资源将为研究人员提供更好的数据分析和模型评估方法,帮助他们做出更准确和可靠的推断和决策。survey和surveyCV包为研究人员提供了强大的工具,以便更好地处理复杂抽样设计的调查数据,并进行准确的统计推断和模型评估。本文旨在介绍使用R语言中的survey和surveyCV包进行复杂抽样设计、权重计算和10折交叉验证的方法,以帮助研究人员更好地处理复杂抽样数据和评估模型的性能。

2024-01-13 10:58:55 1205

原创 多模型DCA曲线:如何展现和解读乳腺癌风险评估模型的多样性和鲁棒性?

通过比较不同模型在不同阈值下的净利益,可以评估模型的优劣和多样性,并选择最佳模型用于临床应用。在本文中,我们将介绍乳腺癌风险评估模型的现状和挑战,解释多模型DCA曲线的概念和应用,并展示多模型DCA曲线作为评估乳腺癌风险评估模型多样性和鲁棒性的方法的实际效果。Tyrer-Cuzick模型:Tyrer-Cuzick模型是另一种常用的乳腺癌风险评估模型,它综合考虑了更多因素,如个体的年龄、家族史、BRCA1/BRCA2突变等遗传因素,并可以根据个体的详细信息进行个性化风险评估。

2024-01-03 10:23:39 942

原创 机器学习-生存分析:如何基于随机生存森林训练乳腺癌风险评估模型?

本文选择随机生存森林作为乳腺癌风险评估模型的训练算法,原因如下:首先,随机生存森林算法可以处理多种数据类型,包括临床、基因和影像等多种数据,使得模型能够充分利用多源数据的信息。总之,本文的研究为乳腺癌风险评估提供了一种新的方法,并展示了随机生存森林算法在乳腺癌风险评估中的潜力。同时,随着技术的不断进步和数据的积累,乳腺癌风险评估模型的性能和应用前景也将进一步提升。通过选择随机生存森林算法作为乳腺癌风险评估模型的训练算法,我们希望能够克服传统方法的局限性,并提高乳腺癌风险评估的准确性和可靠性。

2024-01-02 21:02:56 1204 1

原创 手把手教你绘制和解读实用R列线图(Nomogram):从入门到精通

在数据可视化和解释方面,列线图有着独特的优势。从图中可以看出,age 49时对应的分数是11分,然后meno为0对应的分值为0,nodes为2时对应的分数为3分,总分值为14分,总分值对应的预测值是0.3-0.4之间,小于0.5,所以其预测值应该是0,和实际结果一致。列线图(Nomogram)是一种常用的数据可视化工具,它能够直观地展示多个变量之间的关系,并帮助我们理解和解释复杂的数据模式。列线图是一种常用的数据可视化工具,它可以帮助我们探索变量之间的关系,解释模型的预测效果,并支持数据驱动的决策。

2024-01-01 01:48:39 1157 4

原创 乳腺癌治疗创新:特征权重分配引领精准医学

在未来的研究中,我们还可以进一步优化这些方法,探讨与其他机器学习算法的结合使用,以期在乳腺癌早期发现领域取得更加卓越的成果。例如,可以利用逻辑回归或支持向量机等分类算法,结合特征权重分配的结果,对乳腺癌进行分类预测。在乳腺癌早期发现的场景下,逻辑回归可以将患者的临床特征和影像学特征作为自变量,乳腺癌风险作为因变量,通过逻辑函数计算出患者患乳腺癌的风险概率。总之,通过不断改进和优化现有方法,并结合新的技术和数据资源,我们有望进一步提高乳腺癌早期发现的准确性和效率,为临床诊断和治疗提供更加可靠的依据。

2023-12-29 14:53:27 756

原创 从mice到missForest:常用数据插值方法优缺点

不同的数据插值方法具有不同的优点和局限性,根据具体应用场景选择合适的方法可以更好地保证插值结果的准确性和可靠性。通过本文的阐述,我们可以更好地理解MICE和MissForest的适用范围和局限性,为实际问题的数据处理提供更科学、更可靠的参考。此外,MICE对于缺失模式的假设比较严格,如果缺失数据的模式与假设不符,可能会导致插值结果不准确。:均数插补的优点在于它简单易行,计算方便。优点需要注意的是,laso.norm的插补方法存在小于0的情况,和现实情况冲突,因此如果您选择这种插补技术,则需要取其绝对值。

2023-12-24 23:08:08 1350

原创 基于LightGBM的肺癌分类模型:从预测到个体化治疗

本文将介绍LightGBM算法的基本原理和优势,比较其与XGBoost算法的异同点,分析其局限性,并展望其在肺癌分类领域的应用前景和发展方向,旨在为肺癌分类问题提供新的解决思路和方法

2023-12-22 20:58:27 943

原创 Catboost算法助力乳腺癌预测:Shap值解析关键预测因素

首先,可以加强模型解释性的研究,利用Shap值等工具提高模型的解释性,使医生更好地理解模型的预测结果。Catboost算法是一种基于梯度提升决策树的机器学习算法,其基本原理是通过迭代地添加新的决策树来改进现有模型的预测性能,每棵新的决策树都是在负梯度方向上生长,以最小化损失函数的值。减少过拟合的发生:Catboost通过嵌入自动将类别型特征处理为数值型特征的创新算法,以及采用排序提升的方法对抗训练集中的噪声点,从而避免梯度估计的偏差,进而解决预测偏移的问题,减少过拟合的发生,提高算法的准确性和泛化能力。

2023-12-21 10:03:41 1015

原创 机器学习-特征选择:如何用信息增益提升模型性能?

其中,( IG(S, A) ) 表示数据集 ( S ) 关于特征 ( A ) 的信息增益,( T ) 是根据特征 ( A ) 分割后的子集,( |S_t| ) 是子集 ( S_t ) 中的样本数,( |S| ) 是原始数据集 ( S ) 中的样本总数,( H(S_t) ) 是子集 ( S_t ) 的信息熵。然而,特征选择本身充满挑战。偏向于具有较多取值的特征:信息增益度量的是特征的不确定性减少程度,这意味着具有较多取值的特征通常会获得更高的信息增益值,可能会导致偏向选择具有更多取值的特征。

2023-12-06 17:35:06 343

原创 探索医学影像:如何通过ROI灰度直方图和ROI区域方格图揭示隐秘细节?

本文的目标是探索如何利用ROI灰度直方图和ROI区域方格图这两种技术,揭示医学影像中的隐秘细节。我们将首先介绍这两种技术的基本原理和应用,然后通过实例分析,展示它们在医学影像分析中的实际应用效果。最后,我们将讨论这些技术的优点和局限性,以及未来的发展方向。

2023-12-05 15:57:50 361

原创 降维·预测·救命:PCA、随机森林与乳腺癌

随着信息技术的飞速发展,数据科学在医疗领域的应用日益广泛。通过PCA技术,可以将这些高维数据进行降维处理,发现数据中的潜在模式和相关特征,有助于识别潜在的生物标记物、预测乳腺癌的发生风险以及患者的预后情况。PCA通过寻找数据中的主成分(即最大方差方向),实现了数据的降维和特征提取,能够帮助我们更好地理解数据集的特点和相关性,同时减少数据的噪声影响,简化数据分析过程。疾病预测和预防:通过对大规模医疗数据的分析,可以发现潜在的疾病发生规律和风险因素,从而提前预测和预防疾病的发生,有助于公共卫生和健康管理工作。

2023-11-10 16:08:58 221

原创 高效处理异常值的算法:One-class SVM模型的自动化方案

常用的异常值处理方法包括基于统计学的方法、基于距离的方法、基于聚类的方法、基于机器学习的方法等。接着,我们介绍了常见的异常检测方法,包括基于统计学的方法、基于聚类的方法和基于机器学习的方法。在过去,人工处理异常值是一种常见的方法,但随着数据规模的不断增大和复杂度的提高,传统的人工处理方法变得不够高效和可扩展。然后图中红色是异常值,蓝色是正常的,从图中可以看出结果还是比较好的,误杀的并不多。这里需要多唠叨一下,在使用异常值检测算法进行训练和预测之前,确保用于训练的数据是没有异常的是至关重要的;

2023-11-01 17:19:46 1122

原创 机器学习-特征选择:如何使用互信息特征选择挑选出最佳特征?

本文旨在介绍互信息特征选择的方法和应用。首先,我们将详细解释互信息的概念和计算方法,并阐述特征选择的步骤和原理。然后,我们将展示使用互信息特征选择在实际数据集上挑选出的最佳特征。接下来,我们将对每个最佳特征进行分析和解释,探讨其对目标变量的重要性。随后,我们将使用挑选出的最佳特征训练机器学习模型,并评估模型的性能。最后,我们将总结互信息特征选择的效果和对研究问题的贡献。

2023-10-28 20:14:26 837

原创 最佳精准度:解锁超级学习器和校准曲线的潜能

此外,我们还需要密切关注超级学习器和校准曲线等机器学习技术的发展趋势,探索更多的方法和技术,不断提高它们的精度和准确性,为未来的人工智能应用提供更加优质的服务。超级学习器和校准曲线是机器学习中非常重要的概念,它们可以大大提高模型的精度和准确性,在实际应用中具有广泛的应用前景。通过调整模型的参数或选择更合适的特征,我们可以改善模型的预测精度和校准性。总之,校准曲线是评估和改进预测模型精准度的重要工具,它可以帮助我们理解模型的预测概率与实际结果之间的关系,并指导我们采取相应的措施来提高模型的准确性和可靠性。

2023-10-19 21:00:28 295

原创 机器学习-特征选择:如何使用交叉验证精准选择最优特征?

通过选择最具信息量的特征子集,特征选择可以减少特征空间的维度,并且排除那些无关或冗余的特征,从而提高模型训练的效率。包装法的优点是可以考虑特征之间的相互作用,但它需要进行多次模型训练,计算成本较高。这些交叉验证方法都有其适用的场景和优劣势,根据具体的问题和数据集特点选择最合适的交叉验证方法能够更准确地评估模型的性能,并优化特征选择和模型参数调优等任务。从结果可以看出,单独的age训练出的模型结果要比age+meno的表现要好,因此否定age+meno,然后尝试其它的字段,依次类推即可挑选出最优的特征组合。

2023-10-06 16:34:34 582

原创 机器学习-特征选择:如何使用交叉验证精准选择最优特征?

通过选择最具信息量的特征子集,特征选择可以减少特征空间的维度,并且排除那些无关或冗余的特征,从而提高模型训练的效率。包装法的优点是可以考虑特征之间的相互作用,但它需要进行多次模型训练,计算成本较高。这些交叉验证方法都有其适用的场景和优劣势,根据具体的问题和数据集特点选择最合适的交叉验证方法能够更准确地评估模型的性能,并优化特征选择和模型参数调优等任务。从结果可以看出,单独的age训练出的模型结果要比age+meno的表现要好,因此否定age+meno,然后尝试其它的字段,依次类推即可挑选出最优的特征组合。

2023-09-28 20:51:11 788

原创 瞄准核心因素:Boruta特征选择算法助力精准决策

在每一轮中,Boruta算法会重新生成随机森林,并使用上一轮中确定的重要特征和它们对应的影子特征来计算新特征的重要性,并将其与其他特征的重要性进行比较。确定重要特征:对于每个特征,Boruta算法将计算原始特征和其对应的影子特征的重要性,并将其与其他特征的重要性进行比较。它的主要目标是从给定的特征集合中找到真正重要的特征,过滤掉那些没有显著影响的特征。Boruta算法是一种基于随机森林的特征选择方法,其主要目标是从给定的特征集合中找到真正重要的特征,并将其与无关的特征区分开来。

2023-09-25 17:03:45 1204

原创 解码癌症预测的密码:可解释性机器学习算法SHAP揭示XGBoost模型的预测机制

为了解决这个问题,SHAP提出了一种基于局部贡献的近似计算方法,通过构建一个与目标样本相似的虚拟数据集,对每个特征进行扰动,计算得到每个特征的局部贡献值,从而近似计算出Shapley值。然而,机器学习模型的黑盒性质限制了其在临床实践中的应用。可解释的机器学习被广泛关注,它不仅能够提供准确的预测,还能够解释模型预测的依据,增强了对预测结果的信任度和理解度。总的来说,通过将SHAP与XGBoost结合在癌症预测中,可以提供更好的模型解释性和预测能力,帮助医生和研究人员更好地理解和利用模型的预测结果。

2023-09-21 21:48:33 855

原创 论文撰写必备!16个免费查重网站助你成为学术精英

PaperFree是中英文及多语种论文相似度检测系统,特色机器人降重、在线改重功能,可以实现自动降低文章相似比例,并且在同一界面上一边修改一边检测,即时反馈查重结果,使用户体验、查重效率翻倍。PaperPP论文查重系统采用了业内领先的智能语义识别技术,可以为用户提供专业的本科、硕博、职称、毕业论文查重、免费论文检测、在线改重、智能降重等服务,算法严谨,查重结果更准确。在提交论文给学术期刊、学校或科研机构之前,先进行初步的查重可以帮助你发现并解决潜在的问题,增加论文被接受的机会。

2023-09-12 20:53:55 985 1

原创 超实用!五种常用的多离散化小技巧

决策树离散化的目标是将连续型特征划分为多个离散的取值区间,即将一个连续的数值范围分割成不同的离散类别。其原理是先确定要分成的区间数量,然后根据数据的最小值和最大值计算出每个区间的宽度,最后将数据映射到对应的区间中。离散化后的数据解读:离散化后的数据为一组离散的值,需要根据业务需求和具体分析目的来解读这些离散值所代表的含义,并结合原始连续变量的范围和分布来进行分析和决策。数据分布理解:在使用等频离散化前,建议对数据的分布有一定的了解,以便选择适当的离散化方法和参数设置,避免信息损失或不合理的离散化结果。

2023-09-10 13:43:52 362

原创 改变癌症诊断!梯度提升方法可准确预测癌症患者的生存风险!

新的突破和发现:梯度提升方法不仅可以在已知风险因素的基础上进行风险预测,还可以发现新的、潜在的风险因素。通过分析大规模的数据集,梯度提升方法能够识别出与癌症相关的新的生物标志物、潜在的遗传因素和环境因素,从而推动癌症研究的进展和突破。数据驱动决策:随着医学数据的不断积累,以及大数据和人工智能技术的迅速发展,梯度提升方法可以利用大规模的数据来训练强大的预测模型。不考虑特征之间的相互作用:癌症的发展往往是多个因素相互作用的结果,传统方法很难捕捉和建模这些复杂的相互关系,从而影响了预测的准确性。

2023-08-27 10:31:40 121

原创 癌症预测新利器:弹性逻辑回归让健康更可控!

其中,弹性逻辑回归作为一种强大的预测模型,已经引起了广泛的关注和应用。通过详细阐述弹性逻辑回归在癌症领域的潜力,我们希望引发读者对癌症风险预测的兴趣,并认识到弹性逻辑回归在改善癌症预防和治疗方面的重要性。数据集扩展:随着数据科学和医学研究的发展,我们可以进一步扩展数据集规模和内容,包括跨不同种族、年龄和地理位置的样本,以获得更全面的信息,并提高模型的适用性和泛化能力。处理共线性:弹性逻辑回归能够很好地处理自变量之间的共线性问题,通过同时引入L1和L2惩罚项,减少冗余特征的影响,提高模型的解释性和可靠性。

2023-08-25 21:33:29 993

原创 从聚类(Clustering)到异常检测(Anomaly Detection):常用无监督学习方法的优缺点

无监督学习是机器学习的一种重要方法,与有监督学习不同,它使用未标记的数据进行训练和模式发现。然后,根据已分配的样本重新计算聚类中心的位置,迭代更新样本的归属和聚类中心的位置,直到达到停止条件。其基本原理是通过计算样本之间的相似性或距离,将相似度高的样本逐步合并为越来越大的簇或者将所有样本初始为一个簇,然后逐步分割为越来越小的簇。降维(Dimensionality reduction)是在机器学习和数据分析中的一项关键任务,目的是通过减少特征空间的维度,同时保留数据的重要信息,以便更高效地分析和处理数据。

2023-08-23 20:39:38 1061

原创 “维度削减+逻辑回归”:如何使用PCA大幅提升乳腺癌的预测成功率?

本文旨在探讨如何利用PCA和逻辑回归方法来提高乳腺癌的预测成功率。通过主成分分析降维和逻辑回归分类模型的应用,可以有效地处理乳腺癌预测中复杂的特征数据,并提高预测的准确性和可靠性。这对于乳腺癌的早期诊断和治疗具有重要的临床意义,也为未来深入研究乳腺癌预测提供了一定的参考价值。

2023-08-18 23:18:52 1727

原创 机器学习赋能乳腺癌预测:如何使用贝叶斯分级进行精确诊断?

本文将重点介绍一种基于机器学习的方法,即贝叶斯分级,在乳腺癌预测中的应用。贝叶斯分级是一种常见的分类算法,它利用先验概率和条件概率来进行分类推断。这个方法可以通过整合不同类型的乳腺癌数据,如临床病史、家族史、影像学特征等,为医生提供更精确的乳腺癌预测结果。

2023-08-17 10:57:42 644 2

原创 机器学习-特征选择:如何使用递归特征消除算法自动筛选出最优特征?

特征选择在机器学习和数据挖掘任务中扮演着重要的角色,能够提高模型性能、减少计算开销,并增强模型的可解释性。通过合理选择合适的特征选择方法,可以进一步优化实际应用中的模型训练和预测效果

2023-08-14 21:51:18 926

原创 从KM到Cure Models:常用生存分析方法的优缺点

本文旨在介绍生存分析的基本原理、常用的统计方法以及在实际应用中的一些注意事项。首先,我们将介绍生存函数和生存曲线的概念,以及其与死亡率和风险的关系。然后,我们将介绍常用的生存分析方法,包括Kaplan-Meier方法和Cox比例风险回归模型等。

2023-08-13 21:27:08 352

原创 从KM到Cure Models:常用生存分析方法的优缺点

本文旨在介绍生存分析的基本原理、常用的统计方法以及在实际应用中的一些注意事项。首先,我们将介绍生存函数和生存曲线的概念,以及其与死亡率和风险的关系。然后,我们将介绍常用的生存分析方法,包括Kaplan-Meier方法和Cox比例风险回归模型等。

2023-08-12 20:28:57 300

原创 从零到精通:学习这些R语言必学包成为数据分析高手!

好用R包推荐

2023-08-11 22:17:26 134

原创 如何用限制立方样条(RCS)做生存分析?

本文旨在探讨RCS在生存分析中的应用和优势。首先,我们将介绍RCS的基本原理和建模方法。然后,我们将讨论RCS在生存分析中的应用案例,并与传统方法进行比较。接下来,我们将探讨RCS的局限性和可能的改进方向。最后,我们将总结本文的主要内容。

2023-08-05 22:31:06 800

R-4.1.1-win (1).exe

R语言,4.1.1版,具有非常强大的统计功能,比如限制性立方图、散点图、三线表...不一一枚举了,好处多多

2021-09-09

VsCodeUserSetup

VS Code是我最常用和最喜欢的编辑器。我喜欢能够自定义编辑器-改变布局,图标,字体和配色方案是如此容易!可以进行前后端开发!你值得拥有

2019-04-11

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除