期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
AIC结合最优子集法构建logistic回归模型在预测2型糖尿病并发末梢神经病变中的应用 被引量：9
1
作者 李长平 职心乐 +5 位作者 刘晓红 崔壮 魏风江 柯慧 李妍 马骏 《中国卫生统计》 CSCD 北大核心 2010年第6期594-597,599,共5页
目的研究如何快速有效地进行变量的筛选,建立起准确可靠的logistic回归预测模型;针对小样本的特性,如何对模型的泛化能力(即预测性能)进行可靠的评价;并在数据集来源于分离抽样时,对模型进行过抽样的调整,使调整后的结果适用于人群预测... 目的研究如何快速有效地进行变量的筛选,建立起准确可靠的logistic回归预测模型;针对小样本的特性,如何对模型的泛化能力(即预测性能)进行可靠的评价;并在数据集来源于分离抽样时,对模型进行过抽样的调整,使调整后的结果适用于人群预测疾病发生的可能性。方法以2型糖尿病并发末梢神经病变数据为例,采用最优子集法与AIC信息准则相结合对变量进行快速方便的筛选,并采用MonteCarlo模拟抽样的方法(具体为10～100次的3～10折分层交叉验证法)对模型的泛化能力作出评价和比较。结果采用最优子集法与AIC信息准则相结合建立的logistic回归模型,准确率为79.6%,ROC面积为0.8802,经分层交叉验证法验证,泛化能力优于用一般筛选变量方法建立的模型;用先验概率对后验概率进行过抽样的调整,使调整后的结果适用于人群预测疾病发生的可能性。结论建立logistic回归预测模型时,应根据实际情况,尽量尝试多种筛选变量的建模策略,在小样本情况下,若欲对模型的泛化能力做出可靠的评价,可采用分层交叉验证的方法;当样本来源方式为分离抽样时,若研究目的为建立预测模型,则应采用先验概率对后验概率进行调整。 展开更多
关键词 LOGISTIC回归 交叉验证法 过抽样 糖尿病并发末梢神经病变
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部