机器学习与预测模型

课程简介

机器学习是新生代建模学习的重要方法，本节课的建模方式主要适用于二分类结局变量的形式，在临床建模、心理学建模以及各种需要高精度建模的场合非常实用。也是在逐步进入AI化和深度学习前的必经之路。本课程从基础理论到实践操作，帮助学员逐步了解机器学习的建模过程，讲解几种常用算法以及多种验证方式，解决实际研究中难以明确危险因素对结局的贡献情况等问题。

适合人群

• 医学、流行病统计学、心理学、社会学、管理学等专业的研究生；
• 需要掌握R语言，并掌握基础统计。

学习内容

• 机器学习的定义与基本建模步骤；
• 样本收集、数据处理（包括数据填补）基本过程；
• 如何筛选进入模型的变量；
• 介绍随机森林、神经网络、XGBoost等几种机器学习方法；
• 模型验证的方法：DCA临床决策曲线、ROC曲线、交叉验证、Bootsrap、矫正曲线;
• 评估单个变量的影响力：SHAP图、列线图、PDP图。

资料包含

• 课程回放和PPT；
• R语言代码（可直接运行，含注释）；