-RFty.png)
在该项研究中，研究团队使用了去身份化电子健康记录（EHR）数据，纳入老年患者。 本研究旨在基于8种机器学习法和SHAP法，构建可解释机器学习预测模型，以评估风险因素并预测老年心合并高血压患者的住院死亡率。 √缺失数据的处理 研究中所有变量的缺失数据比例均保持在30%以下，使用K-最近邻（KNN）分类算法对缺失数据进行处理。 √变量筛选 使用LASSO法在44个变量中筛选出9个最佳预测因子，包括年龄、住院时间（LOS）、中性粒细胞（Neu）、尿素、Cl、活化部分凝血活酶时间（APTT）、白细胞（LEU）、白蛋白和HDL胆固醇。
【欢迎阅读浙中大郑老师撰写的统计科普文】 预测模型文章中，我们一般用10倍EPV原则计算样本量，这也是目前公认的方法，但很少有学者会在文章中详细地解释。
医学一区，IF=23.1的杂志《Blood》刊登了一篇机器学习预测模型的研究，题为：“Use of machine learning techniques to predict poor survival after hematopoietic cell transplantation for my
老郑看到一篇文章，机器学习建模建了100个，挺有意思的，是实力？还是内卷？我们一起看看！ 这篇文章是中国学者发表在中科院一区，影响因子7.0的杂志
现如今，在预测模型领域中，传统回归模型和机器学习模型应用已经十分广泛，各有优缺点。 在机器学习构建预测模型文章中，也经常出现Logistic回归。 那为什么郑老师说，如果机器学习预测模型差别不大，首推传统logistic回归呢？ 借上海交通大学学者2025年5月发表的一篇文章，一起来
2025年5月7日，JAMA子刊《JAMA Network Open》（医学一区top，IF=10.5
传统方法，如逻辑回归，已被广泛用于识别风险因素和预测疾病概率。 很多机器学习构建预测模型的文章中，XGBoost模型优于其他模型。</
Zstats交流群
联系助教
请输入助教告诉您的积分券
如果不填写积分券，将直接使用当前余额支付
请稍候，正在为您生成支付订单
请使用扫描二维码完成支付
二维码获取失败
支付二维码获取失败，请点击重新获取
请稍候，正在为您完成支付
正在使用积分券兑换，然后完成支付 正在使用当前余额完成支付
您的订单已支付完成，页面将在 秒后自动关闭
支付过程中出现错误，请重新选择支付方式
