机器学习分类方法在医学诊断中应用——基于R的实现

2016-07-13 MedSci MedSci原创

机器学习诊断

机器学习，是不是高大上？是不是很艰深？其实，这一切并不难，只要你掌握R语言。现在小编为大家全面展示不同的机器学习的方法的实际应用1．引言随着统计科学的日益发展，其对其他学科的渗透作用日益增强，数据分析方法在医学、生物学、社会学等各个学科中得到了广泛的应用，本文试图对收集到的某个临床医学数据运用决策树、神经网络、支持向量机、随机森林等各种现代分类方法进行分析，以佐证数据挖掘对其他学科的重要意义；

机器学习，是不是高大上？是不是很艰深？其实，这一切并不难，只要你掌握R语言。现在小编为大家全面展示不同的机器学习的方法的实际应用1．引言随着统计科学的日益发展，其对其他学科的渗透作用日益增强，数据分析方法在医学、生物学、社会学等各个学科中得到了广泛的应用，本文试图对收集到的某个临床医学数据运用决策树、神经网络、支持向量机、随机森林等各种现代分类方法进行分析，以佐证数据挖掘对其他学科的重要意义；另一方面，就各种现代分类方法的实际效果进行对比。笔者从网上收集到关于某个脊椎病变的临床医学数据，该数据集为真实公开的非人造数据，公布地址为：http://archive.ics.uci.edu/ml/datasets/Vertebral+Column。该数据集记录了病人的骨盆和形状位置特征，分别为盆腔炎的发病率，骨盆倾斜，腰椎前凸角度，骶骨倾斜，骨盆半径和品位滑脱（pelvic incidence, pelvic tilt, lumbar lordosis angle,sacral slope, pelvic radius and grade of spondylolisthesis），均为连续型

作者：MedSci



版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
评论区 (6)
#插入话题
  1. 2017-04-29 1039415152

    谢谢分享

    0

  2. 2016-11-07 培莉

    继续学习

    0

  3. 2016-08-18 doctorJiangchao

    继续学习

    0

  4. 2016-08-18 doctorJiangchao

    继续关注

    0

  5. 2016-08-12 无疆行者0316b5ae

    很有收获

    0

相关资讯

在R语言中比较不同机器学习算法的性能差异

选择最好的机器学习模型 你如何根据需求选择最好的模型？ 在你进行机器学习项目的时候，往往会有许多良好模型可供选择。每个模型都有不同的性能特点。 使用重采样方法，如交叉验证，就可以得到每个模型在未知数据上精准度的估计。你需要利用这些估计从你创建的一系列模型中选择一到两个最好的模型。 仔细比较机器学习模型 当你有了新数据集，使用多种不同的图形技术可视化数据是个好主意，你可以从不同角度来观

大牛笔记：机器学习算法概览

机器学习（Machine Learning， ML）是什么，作为一个MLer，经常难以向大家解释何为ML。久而久之，发现要理解或解释机器学习是什么，可以从机器学习可以解决的问题这个角度来说。对于MLers，理解ML解决的问题的类型也有助于我们更好的准备数据和选择算法。十个机器学习问题样例想入门机器学习的同学，经常会去看一些入门书，比如《集体智慧编程》、《机器学习实战》、《数据挖掘》、《推荐系统

端午吃粽子之外，看看大神在玩啥---机器学习

背景 心脏病是人类健康的头号杀手。全世界1／3的人口死亡是因心脏病引起的，而我国，每年有几十万人死于心脏病。 所以，如果可以通过提取人体相关的体侧指标，通过数据挖掘的方式来分析不同特征对于心脏病的影响，对于预测和预防心脏病将起到至关重要的作用。本文将会通过真实的数据，通过阿里云机器学习平台搭建心脏病预测案例。 数据集介绍 数据源： UCI开源数据集heart_disease 针对美

机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别前世今生

在技术飞快进步的时代，下一个计算平台，可能将是量子计算机与人工智能的结合的产物。机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别，很难说谁包含于谁，只能分开说每一个概念的意义，谁服务于谁。 离线而非在线的云数据才是未来的机会所在。这也是机器人可以进入的领域，因为它能够移动，利用机器人身上装的传感器，它可以感知到周围的真实环境，在与环境互动的过程中学习。 这几者间的基本区别如下：

机器学习助力神经科学的高维数据分析，相得益彰

作者: Moritz Helmstaedter 引言：神经科学家正在生产庞大规模的数据组，其复杂性堪比真实世界中的分类任务。机器学习已经大大帮助了数据分析，但是，其准确性经常不如人类进行的数据分析。本文中，作者讨论了受神经科学启发的机器学习所面临的挑战以及希望。 当有机体在环境中行动时，有机体大脑负责处理高维感官数据。因此，从事大脑研究的神经科学家需要处理极其复杂的高维数据集，这给分析工作

机器学习：从多元拟合，神经网络到深度学习

机器学习，或者更大的一个概念，数据科学这个领域中，同样是学了忘忘了学。不可否认，数学是机器学习的一个基石，但是也是无数人，包括笔者学习机器学习的一个高的门槛，毕竟数学差。而在这篇文章中，原作者并没有讲很多的数学方面的东西，而是以一个有趣实用的方式来介绍机器学习。另一方面，其实很多数学原理也是很有意思的 What is Machine Learning: Machine Learning的概念