13、帕金森病模型选择与神经网络决策解释

帕金森病模型选择与神经网络决策解释

1. 帕金森病模型选择

1.1 数据处理与特征选择

在处理帕金森病相关数据时，首先要对完整数据集进行缺失值检查。接着，使用基于决策树的分类器，该分类器对数据缩放不敏感，通过它可以获取分析中每个变量的重要性，进而剔除对分析价值不大的属性。

在特征选择方面，在应用分类算法之前，检查无关特征很重要，因为添加无关特征会增加数据维度，影响模型性能。采用XGBoost算法处理完整数据集，从训练好的模型中提取特征相关性，通过检查交叉验证分数和方差膨胀因子（VIF），最终选择了19个最重要的特征进行分析。

1.2 数据建模准备

将数据集分为X和y，其中X是用于建模的19个独立变量集合，y是输出类，取值为0和1。将独立变量和因变量按70:30的比例拆分，训练集有136行，测试集有59行。先使用训练集参数对所有数据点进行缩放，再转换测试集数据点，确保在验证前测试集对分类器是未知的。

1.3 超参数优化

使用Scikit - learn中的Grid - Search CV函数进行超参数优化。采用五折交叉验证，在一组被认为能提供最佳准确率的参数上训练分类器，将每个分类器的最佳参数集用于在训练集上训练分类器，并在测试集上进行验证。

1.4 分类算法

• 逻辑回归 ：基于Sigmoid函数，可将所有实数输入映射到0到1的范围，主要用于处理概率问题。
• K近邻（kNN） ：基于学习类比，将给定测试元组与训练元组进行比较来确定其类别。在