基于惩罚逻辑回归的乳腺癌预测

TP181%R737.9; 本文采用惩罚逻辑回归方法,利用威斯康星大学的乳腺癌数据对乳腺肿瘤进行预测.首先选取与乳腺癌相关的10个指标作为自变量,接着采用逻辑回归、LASSO惩罚逻辑回归、L2惩罚逻辑回归和弹性网惩罚逻辑回归作为分类器,利用75％的数据集作为训练集建立模型,最后利用25％的测试集、混淆矩阵和ROC曲线评估不同模型的预测精度.结果表明,LASSO惩罚逻辑回归的预测表现最好,预测精度达到97.18％;弹性网惩罚逻辑回归的预测表现随着α的增大发生变化,特别当α=0.9时,预测精度达到97.18％,与LASSO惩罚逻辑回归的预测表现一样好;L2惩罚逻辑回归的预测表现排第3,逻辑回归表现...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 36; no. 6; pp. 1237 - 1249
Main Authors 胡雪梅, 谢英, 蒋慧凤
Format Journal Article
LanguageChinese
Published 重庆工商大学数学与统计学院,重庆 400067 01.11.2021
重庆工商大学经济社会应用统计重庆市重点实验室,重庆400067%重庆工商大学长江上游经济研究中心,重庆 400067
Subjects
乳腺癌;逻辑回归;LASSO惩罚逻辑回归;L2惩罚逻辑回归;弹性网惩罚逻辑回归
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2021.06.017

Cover

More Information
Summary:TP181%R737.9; 本文采用惩罚逻辑回归方法,利用威斯康星大学的乳腺癌数据对乳腺肿瘤进行预测.首先选取与乳腺癌相关的10个指标作为自变量,接着采用逻辑回归、LASSO惩罚逻辑回归、L2惩罚逻辑回归和弹性网惩罚逻辑回归作为分类器,利用75％的数据集作为训练集建立模型,最后利用25％的测试集、混淆矩阵和ROC曲线评估不同模型的预测精度.结果表明,LASSO惩罚逻辑回归的预测表现最好,预测精度达到97.18％;弹性网惩罚逻辑回归的预测表现随着α的增大发生变化,特别当α=0.9时,预测精度达到97.18％,与LASSO惩罚逻辑回归的预测表现一样好;L2惩罚逻辑回归的预测表现排第3,逻辑回归表现最差.因此,在乳腺肿瘤诊断中可借助LASSO惩罚逻辑回归和弹性网惩罚逻辑回归提高诊断精度.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2021.06.017