從專家診病模型實(shí)例理解智慧醫(yī)療大數(shù)據(jù)文庫docxdocx(編輯修改稿)
2024-08-13 16:38 本頁面
【文章內(nèi)容簡(jiǎn)介】 出每種分類變量的取值及每種取值的個(gè)數(shù)。比如，從這里我們可以看出藥物字段一共包含五種取值，且出現(xiàn)最多的是Y藥物。在這里目標(biāo)變量為分類型，因此只能選擇分類預(yù)測(cè)類模型，如決策樹、邏輯回歸等。表2 數(shù)據(jù)描述預(yù)建模接下來便是嘗試建模，看看建模效果。圖3 預(yù)建模首先，從數(shù)據(jù)準(zhǔn)備列轉(zhuǎn)換菜單下選擇類型轉(zhuǎn)換節(jié)點(diǎn)。由于性別、血壓、膽固醇三個(gè)字段實(shí)際存儲(chǔ)類型該是字符型，但這里是整型，因此為了便于以下分析，使用類型轉(zhuǎn)換節(jié)點(diǎn)將它們的類型從整型轉(zhuǎn)化為字符型。配置如下：其次，使用類型節(jié)點(diǎn)指定目標(biāo)變量的角色，將藥物的角色設(shè)為目標(biāo)。再次，從數(shù)據(jù)準(zhǔn)備的行菜單中選擇分區(qū)節(jié)點(diǎn)。使用分區(qū)節(jié)點(diǎn)可以將數(shù)據(jù)集分成測(cè)試集和訓(xùn)練集，訓(xùn)練集用于訓(xùn)練模型，測(cè)試集用于測(cè)試模型。配置如下：注意，如果選中使用隨機(jī)種子（ ），則每次運(yùn)行分區(qū)結(jié)果將會(huì)是一樣的，否則每次運(yùn)行的結(jié)果將會(huì)不同，進(jìn)而建模的結(jié)果也會(huì)不同。通常是選擇選中該項(xiàng)，使得訓(xùn)練集和測(cè)試集都固定。另外，此處還有個(gè)很重要的用途，不選中 ，多次運(yùn)行可以測(cè)試數(shù)據(jù)分布規(guī)律和模型穩(wěn)定性。還有一點(diǎn)要注意，這里分區(qū)即把數(shù)據(jù)集隨機(jī)分成兩份，通常訓(xùn)練集要比測(cè)試集大，通常分為5：5，6：4，7：3，8：2，9：1。數(shù)據(jù)集越小，訓(xùn)練集應(yīng)該分的更多，原因是要保證模型的穩(wěn)定性，參與訓(xùn)練的數(shù)據(jù)要足夠多。實(shí)際中，各種比例都會(huì)嘗試，目的有二：一是選擇最佳的比例，二是測(cè)試模型的穩(wěn)定性。然后，選擇分類預(yù)測(cè)節(jié)點(diǎn)，因?yàn)槟繕?biāo)變量（藥物）為分類型。此處我們重點(diǎn)學(xué)習(xí)決策樹算法，所以就先選擇決策樹算法節(jié)點(diǎn)。節(jié)點(diǎn)連接如上圖3所示，在決策樹（訓(xùn)練）節(jié)點(diǎn)配置中選擇目標(biāo)變量藥物。其中，決策樹（訓(xùn)練）節(jié)點(diǎn)連接分區(qū)節(jié)點(diǎn)。決策樹訓(xùn)練節(jié)點(diǎn)可以采用默認(rèn)配置，無需修改配置，如下：最后，使用分類評(píng)估節(jié)點(diǎn)評(píng)估模型的準(zhǔn)確性。配置如下圖所示：評(píng)估結(jié)果：表3 模型評(píng)估1從表3中可以看出，模型測(cè)試準(zhǔn)確度為95%，誤判5%。預(yù)建模的目的是為了從整體判斷現(xiàn)有變量與目標(biāo)變量的相關(guān)性，以便可以根據(jù)經(jīng)驗(yàn)預(yù)估最終
外語相關(guān)推薦
鄂ICP備17016276號(hào)-1