小庞统计——R语言二分类机器学习预测模型结合SHAP解释3.0网页制作附带教学课程发布

小庞统计——R语言二分类机器学习预测模型结合SHAP解释3.0网页制作附带教学课程发布！！！（付费获取）本次版本更新附带视频详细讲解，如何使用，从获取数据模型构建包含（自动参数寻优，网格参数寻优，以及偏态数据的手动调参）全程讲解，以及全模型的shap解释（Catboost也可以进行解释）；网页制作包含最优模型的网页搭建，制作属于自己模型的网页。全流程视频讲解。

包含2.0版本的基础上继续增加相关内容：

在R语言进行全模型的SHAP解释。在此将多个模型进行的整理，并汇聚成了包含10多种机器学习模型的优化代码，包含Logistic、SVM、GBM、KNN、Adaboost、Xgboost、Neural network（MLP）、RF、LightGBM、Catboost等模型。只用整理好数据，即可实现整篇文章的分析。

根据目前SCI发表的文章，进行了正常流程的代码编写，从开始的数据数据集划分，基础表格，单因素分析，以及单因素、多因素Logistic结果表格制作，均有代码生成。

变量选择包含，Lasso筛选，Brouta筛选，Logistic筛选

数据平衡方法：SMOTE（平衡数据）

参数寻优包括：自动参数寻优，网格参数寻优，以及偏态数据的手动调参，全程讲解；

并且建模后，会给出各个模型的变量重要性排序图。

模型评价包含多模型的ROC曲线、DCA曲线、校准曲线，计算模型的准确度，灵敏性（召回率），特异性，精确度，F1分数计算。绘制各个模型的混淆矩阵。

增加部分同学有外部数据集的适用性，可用外部数据集专用代码版本。

绘图形式增加：

①单条ROC、DCA曲线绘制；

②单一模型训练集和测试集曲线绘制；

③训练集、测试集对比基线表格制作

部分结果展示：

整套视频课程！通过运行代码，即可得到以下结果：

重要部分首发网页搭建

变量筛选（Lasso筛选，Brouta筛选）

SHAP解释（Catboost）

单条ROC曲线绘制

训练集测试集曲线一起绘制

基础性分析表格

各个模型训练集、测试集的ROC曲线、校准曲线、DCA曲线绘制。

变量重要性

混淆矩阵

模型评价参数

整套课程，代码分析包含了SCI的机器学习的正常分析流程，并包含了使用的示例数据，数据准备的指导、相关代码的解释。（全程视频讲解）

整套课程一经售出，全程售后服务，包含代码报错解决，如果需要可以进行简单代码讲解，直到出现结果为止。

整套课程创建以及版权归小庞统计所有！