Please enable JavaScript.

Coggle requires JavaScript to display documents.

临床大数据中的数据挖掘: 常用数据库、步骤和方法模型 - Coggle Diagram

- - - - 线性回归、广义线性回归、比例风险模型(Cox 回归模型)、竞争风险模型、决策树、随机森林算法和支持向量机(SVMs)
    - - 主成分分析分析、关联分析和聚类分析
- - - - 训练集
        
        用于学习并用于适应分类器参数(即权重)=训练模型或确定模型参数
      - 验证集
        
        调整分类器参数(即体系结构)=模型选择
      - 测试集
        
        评估完全指定分类器性能(泛化)=验证模型性能
    - - 决策树
        
        定义：基本的分类和回归方法
        
        特征：每个树节点代表一个属性上的一个测试，每个分支代表一个属性的输出，每个叶节点(决策节点)代表一个类或类分布，树的顶部是根节点
        
        优点：解释了变量之间的强烈交互作用，更适合用于遵循相同结构的决策算法
        
        缺点：在数据不平衡方面，决策树模型的精度需要提高
      - RF 算法
        
        定义：基于决策树集合的集成学习方法的应用
        
        优点：在每个决策树节点上对预测变量的随机抽样减少了森林中树木之间的相关性，从而提高了总体预测的精度
      - 支持向量机
        
        定义：一种数据驱动的方法，不需要假设数据分布
        
        优点：基于高维数据或小样本数据[53,54]的案例分类和预测
        
        特征：具有很强的识别能力，使支持向量机成为检测慢性和复杂疾病个体的一个很有前途的分类方法
        
        缺点：当观测样本数量很大时，该方法变得时间和资源密集。低效
      - 竞争性风险模型
        
        特征：基于数据分布假设
        
        优点：准确地估计在右删失的多端点生存数据中结果的累积发病率
  - - - 分区集群
      - 层次聚类
      - 根据密度进行聚类
      - 根据网格进行聚类
    - - 步骤：1)列出集合中的所有高频项，2)基于高频项生成频繁关联规则
      - 应用：探索疾病危险因素与其他危险因素组合的联合效应、评价治疗效果、揭示了前提和结论之间的联系
      - 缺点：可能不适合分析大型数据库
    - - 目的：描述性：以可解释的方式降低数据维度，同时保留数据中的大部分信息
      - 步骤包括原始数据的标准化、相关系数矩阵的计算、特征矢量的计算、主成分的选择和综合评价值的计算
      - 应用：用每个主成分代替原来的独立变量作为回归分析的一个新的独立变量、数据聚类结合使用。使用 PCA 来转换临床数据，以解决现有变量之间缺乏独立性的问题，可以消除可能破坏聚类结构的噪声变量，从而提高聚类分析结果的准确性