首页 > 文献资料
-
非综合征性唇腭裂高危因素条件Logistic回归与数据挖掘相结合的临床研究
目的 探讨非综合征性唇腭裂(NSCL/P)发病的主要危险因素;确立NSCL/P发病概率的预测模型,为优生网络的构建奠定基础.方法 采用1∶1配对病例对照研究,病例组为年龄在0 ～ 12岁之间的NSCL/P患儿126例;对照组来源于同一机构门诊或病房或同一居住区符合配对条件的非唇腭裂患儿.根据危险因素编制调查表,对病例组与对照组患儿父母进行调查,数据经审核后录入Excel 2003建立数据库.首先使用条件Logistic回归对资料进行单因素分析,再对单因素筛选的变量结合专业知识进行多因素分析,筛选主要危险因素并建立回归模型,根据危险因素分别建立分类树与LogitBoost算法的发病概率预测模型,采用ROC曲线对两模型进行评价,从而确立本研究中NSCL/P发病概率的预测模型.结果 病例组与对照组作对照分析,进入条件Logistic回归模型的变量有:母亲孕期感染史(P＝0.011)、家族遗传史(P＝0.008)、母孕期饮食是否规律(P＝0.005)、胎次(P＝0.003)、母亲孕期异常情绪史(P＝0.001)、父亲学历(P＝0.000).经ROC曲线评价,确立分类树模型可用来预测NSCL/P的发病概率.结论 母亲孕期感染、家族遗传、母亲孕期饮食不规律、胎次、母亲孕期异常情绪是NSCL/P发病的促进因素;父亲学历是该病的保护因素.经ROC曲线评价,终确立分类树模型为NSCL/P发病概率的预测模型.
-
logitboost及其在判别分析中的应用
目的介绍一种基于机器学习的分类方法-logitBoost在判别分析中的应用.方法结合实例和模拟数据介绍了logitBoost的思想,原理,方法和步骤,就模型的拟合效果与Fisher线性判别、二次判别、logistic回归判别进行了比较,并探讨了"logitBoost判别"的优势及其在医学领域中的应用前景等问题.结果与传统方法相比,logitBoost判别在实例以及模拟数据的应用中,均显现出较好的或相似的模型预测效果.结论当传统的判别分析条件得不到满足,或判别效果不佳时,logitBoost能够达到良好的预测效果,在医学领域的判别分析中有较好的应用前景.
关键词： Logitboost 判别分析 预测 机器学习 弃一法交叉验证 -
Logitboost法与累积比数Logit模型在判别分析中的应用分析
目的:探讨Logitboost和累积比数Logit模型这两种方法应用于判别分析的优缺点. 方法:简要介绍Logitboost和累积比数Logit模型的原理,并采用此两种方法分别对同一个实例进行判别分析.结果:两种方法的判别正确率均较高.Logitboost判别效果高于累积比数Logit模型判别.讨论:在迭代轮数适当的情况下,Logitboost判别正确率更高,受迭代次数影响较大;而累积比数Logit模型的稳定性较强.在对事件进行判别时,可根据数据资料的具体特点选用判别方法,也可将两种方法结合应用,取其判别效果较好者.
关键词： 累积比数Logit模型 判别分析 Logitboost 睡眠质量
