版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、研究背景:
在處理醫(yī)學(xué)方面的數(shù)據(jù)時(shí),我們通常需要對(duì)某個(gè)個(gè)體進(jìn)行疾病分類(lèi)的判斷,logistic回歸是常用的方法之一,logistic回歸方法適合用于兩類(lèi)的判別,模型較為簡(jiǎn)單易懂,是統(tǒng)計(jì)軟件中常有的模塊。極大似然法估計(jì)模型的參數(shù)是應(yīng)用最多的,但極大似然估計(jì)本身有一些不足之處,例如在小樣本時(shí)極大似然法無(wú)法估計(jì)logistic回歸模型參數(shù)。隨著數(shù)據(jù)挖掘方法的悄然興起,各個(gè)領(lǐng)域的學(xué)者都在開(kāi)始一些新的方法嘗試,已經(jīng)有一些研究采用遺傳
2、算法對(duì)醫(yī)學(xué)數(shù)據(jù)進(jìn)行分析,得到了比較好的結(jié)果,并且證實(shí)遺傳算法中的一種算法遺傳程序設(shè)計(jì)應(yīng)用于疾病分類(lèi)時(shí)的性能要比logistic回歸優(yōu)越。本次研究的主要目的是在logistic回歸模型的基礎(chǔ)上,考察參數(shù)估計(jì)的方法,研究遺傳算法作為參數(shù)估計(jì)的方法應(yīng)用于logistic回歸模型,較之極大似然法應(yīng)用于logistic回歸模型的優(yōu)劣,嘗試新的logistic回歸的參數(shù)估計(jì)方法。
研究方法:
本文通過(guò)模擬數(shù)據(jù)來(lái)進(jìn)行分析,
3、模擬數(shù)據(jù)結(jié)構(gòu)為八個(gè)自變量,一個(gè)因變量。模擬數(shù)據(jù)以后從中抽取100份訓(xùn)練集樣本來(lái)分別進(jìn)行極大似然法的logistic回歸和遺傳算法的logistic回歸,建立模型以后將模型參數(shù)代入驗(yàn)證集樣本,計(jì)算模型對(duì)數(shù)據(jù)的擬合效果,進(jìn)而比較兩種方法的優(yōu)劣。同時(shí)也考察模擬數(shù)據(jù)的不同變量組成和樣本量的大小對(duì)兩種方法的影響,從而討論兩種方法各自的適用情況。
研究結(jié)果:
自變量之間比較獨(dú)立,數(shù)據(jù)模擬模型中沒(méi)有二次項(xiàng)的情況下,極大似然
4、法的logistic回歸要優(yōu)于遺傳算法的logistic回歸,樣本量分別為800、200、80和40時(shí),極大似然法的正確度都在0.8以上,而遺傳算法的正確度在0.7到0.8之間。但隨著樣本量的下降,極大似然法在驗(yàn)證集中的正確度下降明顯,對(duì)應(yīng)每個(gè)樣本量分別為0.802、0.776、0.738和0.703,而這一趨勢(shì)在遺傳算法并不明顯。這說(shuō)明極大似然法的logistic回歸在小樣本的情況下具有比較大的泛化誤差,所以極大似然法的logisti
5、c回歸的泛化誤差同樣值得考慮。
在自變量間加入相關(guān),并且數(shù)據(jù)模擬模型中出現(xiàn)二次項(xiàng)的情況下,極大似然法的logistic回歸的效能下降,而這在遺傳算法的logistic回歸中并不明顯??梢?jiàn)遺傳算法的logistic回歸比較少受到數(shù)據(jù)結(jié)構(gòu)和樣本量等因素的影響,有某些方面的優(yōu)勢(shì)。
討論:
通常我們做logistic回歸,只注重分析模型中的回歸系數(shù),并沒(méi)有直觀的來(lái)考慮模型對(duì)分類(lèi)變量的歸類(lèi)效能。而擬合優(yōu)度
6、檢驗(yàn)是logistic回歸分析過(guò)程中不可缺少的一部分,然而,實(shí)際應(yīng)用中這一點(diǎn)往往被忽略,所以這一點(diǎn)在以后的研究中需要提起注意。
通過(guò)本文的研究雖然暫時(shí)還未發(fā)現(xiàn)遺傳算法的logistic回歸得到的靈敏度、特異度等指標(biāo)顯著高于極大似然法的logistic回歸,但是,遺傳算法應(yīng)用于疾病分類(lèi)也有它的價(jià)值。在某種數(shù)據(jù)結(jié)構(gòu)或某種樣本量的情況下,極大似然法無(wú)法估計(jì)得到logistic回歸模型的參數(shù),但遺傳算法受這兩方面的影響不大。并且遺
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的巖體參數(shù)反分析研究.pdf
- 基于遺傳算法的ASM3參數(shù)估計(jì)研究.pdf
- 基于遺傳算法的形狀誤差算法的研究.pdf
- 顧及誤差的遺傳算法反演研究.pdf
- 基于頻譜參數(shù)估計(jì)和遺傳算法的運(yùn)動(dòng)模糊圖像恢復(fù)研究.pdf
- 分類(lèi)資料的logistic回歸分析spss
- 弱誤差半?yún)?shù)和非參數(shù)回歸模型估計(jì)的相合性.pdf
- 基于遺傳算法的Chaboche模型參數(shù)的估計(jì)與優(yōu)化.pdf
- 基于遺傳算法的陣列誤差校正算法.pdf
- 基于遺傳算法的雙向聚類(lèi)分析研究.pdf
- 基于遺傳算法的形狀誤差計(jì)算研究.pdf
- 縱向和分類(lèi)數(shù)據(jù)分析中秩回歸模型的參數(shù)估計(jì).pdf
- 基于遺傳算法的運(yùn)動(dòng)估計(jì).pdf
- 基于遺傳算法的指紋分類(lèi)算法研究.pdf
- 基于單親遺傳算法的聚類(lèi)分析研究.pdf
- 基于遺傳算法的巷道位移反分析研究.pdf
- 基于遺傳算法的K-means聚類(lèi)算法分析研究.pdf
- 集成Logistic和SVM的分類(lèi)算法研究.pdf
- 非參數(shù)回歸誤差密度估計(jì)的收斂速度.pdf
- 基于改進(jìn)遺傳算法的控制參數(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論