点击上方蓝字关注，更多干货等你挖掘！本文预测的是腹股沟疝术后患者发生静脉血栓栓塞的风险。在预测因素纳入上还是有一定特色的，包含了两个不同时段的因素，分别是术前和术后，并且后文也基于这两个角度进行模型构建。本文特征选择使用的不是一种特定算法，而是一种思路，即序列前向选择思路。简单来说，按照变量的重要性大小，逐个纳入预测因素，当新纳入的变量能提升性能时，则纳入，否则剔除。另外，本文对于术前和术后因素，是分开进行特征选择的。流程图简单，但十分清晰，将样本筛选和模型构建有机融合，也是一种不错的呈现方式。预测性能除了用表格呈现，不妨试试用图形吧。例如本文将AUC结果以图形和表格结合的形式呈现，实在是值得借鉴哦。变量重要性分析部分，作者不仅给出了表格排序，同时还以雷达图形式呈现，也是十分值得借鉴的哦。值得注意的是，在表格呈现部分，很多研究者往往只呈现重要性高低，而未给出影响方向。但本文作者的做法是，用+和-表示影响方向，也是十分值得借鉴的。本文结局同样不平衡，使用的模型评估指标主要是传统指标，如AUC、准确率、灵敏度、阳性预测值和F1。可以发现，模型的阳性预测值极低、灵敏度也很低。因此，如何提升不平衡预测效果是一个老大难的问题。
Reference: Machine Learning to Dynamically Predict In-Hospital Venous Thromboembolism After Inguinal Hernia Surgery: Results From the CHAT-1 Study 一点统计 统计学习第一站，陪有梦想的你一起成长，每晚22点22分准时分享。
265篇原创内容
公众号
