羊小猪~~的博客

它通过展示模型预测结果与实际标签之间的对比，帮助我们理解模型的准确度以及其在不同类别上的表现。其中，与患病相关性比较强的有：MMSE得分、功能评估得分、记忆抱怨、行为问题等相关性比较强，其中，MMSE得分、功能评估得分为负相关，记忆抱怨、行为问题为正相关。而对于多分类问题，混淆矩阵会相应地扩展到NxN的大小（N为类别数量），每一行代表实际类别，每一列代表预测类别。通过发现，由于原本数据中不患病的多，所以不患病的在图像中显示多，通过观察发现。：这里写代码的时候，不知道为什么，不指定字体，就显示不了字体。

模型一直是一个很经典的模型，一般用于序列数据预测，这个可以很好的挖掘数据上下文信息，

时间是每隔固定时间收集的，故有用特征为：温度、CO、Soot。rmse、r2都不错，但是拟合度还可以再提高。

这篇文章进行修改，修改后，我们先对数据进行标准化，后再进行划分就会简单很多(模型参数输入，这里应该是13个特征维度，而且这里用后面处理也不好，因为最后应该还加一层激活函数的，所以这次修改采用多分类处理方法，

target与chol、没有什么相关性，fbs是分类变量，chol胆固醇是数值型变量，但是从实际角度，这些都有影响，故不剔除特征。其中分类变量为：sex、cp、fbs、restecg、exang、slope、ca、thal、target。数值型变量：age、trestbps、chol、thalach、oldpeak。测试集表现不是很理想，合理尝试变化不同的批次，会有不同效果。这里先划分为：训练集：测试集 = 9：1。最大值和最小值都可能发生，

target与chol、没有什么相关性，fbs是分类变量，chol胆固醇是数值型变量，但是从实际角度，这些都有影响，故不剔除特征。其中分类变量为：sex、cp、fbs、restecg、exang、slope、ca、thal、target。数值型变量：age、trestbps、chol、thalach、oldpeak。这里先划分为：训练集：测试集 = 9：1。最大值和最小值都可能发生，