“泰迪杯”挑战赛 - 通过 Logistic Lasso模型预测肝癌手术预后影响及因素

目 录

1. 研究目标
2. 分析方法与过程
   2.1. 总体流程
   2.2. 具体步骤
   2.3. 结果分析
3. 结论
4. 参考文献

1. 研究目标

本文目标为建立数据挖掘模型,研究肝癌手术预后影响(Y) （有或无）与食道静脉曲
张 $(X_1)$ ，门脉癌栓 $(X_2)$ ，HbsAg $(X_3)$ , Anti-HCV $(X_4)$ ，肿瘤部位 $(X_5)$ ，肿瘤大小 $(X_6)$，肿瘤生长方式 $(X_7)$ ，肿瘤包膜 $(X_8)$ ，肿瘤旁的微小子灶 $(X_9)$ ,术后腹水$(X_{10})$ (部分或全部)的关系，对病人的预后影响(Y) 预测，从而为病人规划最佳的手术和治疗方案。

2. 分析方法与过程

2.1 总体流程

步骤一：数据预处理：
题中所给数据已经过预处理。数据均为分类数据和有序数据，为了便于分析，将其转化为数值型数据。

步骤二：相关性检验：
由于模型需要，计算两两指标之间的相关性，相关性强的两个变量我们只选其中一个。

步骤三：模型建立：
建立 Logistic 二分类模型，进行拟合和预测。

步骤四；模型改进：
本问题由于样本数量过少，基于经典方法处理其预测能力往往比较差，我们利用最新稀疏正则化方法[1,2.3] ，开展此问题研究。稀疏正则化是指对解空间施以某种先验约束来使解具有稀疏性。我们基于 Logistic Lasso 方法研究上述问题，可有效克
服因为样本量过少而引起的弱预测能力。

步骤五：模型评价：
运用 ROC 曲线对分类器的分类效果做评价，并对模型的拟合效果和预测效果及可解释性进行评价。

步骤六：问题与思考。

2.2 具体步骤

步骤一：数据预处理
给定数据的因变量（预后影响）正负平衡，故无需删减。如下表 1 所示，变量X1到 X10 均为分类变量和有序变量，为了便于分析，将其转化为数值型变量，将 P分类数据用 P -1 维向量表示。如：将二分类变量用 0,1 表示，三分类变量用（0,1）（1,0），（0,0）表示，四分类变量用（0,0,1），（0,1,0），（1,0,0），（0,0,0） 表示。

在表 2 中，说明如下：
$X_1$ (V1,V2,V3)：（0,0,0）表示 no；（1,0,0）表示 light；（0,1,0）表示 mid; (0,0,1)表 示 serious.

$X_2$ (V4,V5): (0,0）表示 no; (1,0)表示 branch; (0,1)表示 trunk.

$X_3$ (V6): 0 表示 negative; 1 表示 positive.

$X_4$ (V7): 0 表示 negative; 1 表示 positive.

$X_5$