1 资料介绍

『科研私家菜』为大家准备了关于『机器学习临床预测模型』的资料，请到文末获取领取方式

机器学习已经无处不在！它可以用于网页搜索、垃圾邮件过滤、推荐引擎、医疗诊断、广告投放、欺诈检测、信用评分，甚至会用在自动驾驶汽车上。公路已经相当危险了，人工智能汽车每跑100英里（约160千米）就要用CTRL+ALT+DEL来重启，它们在高速公路和辅路上漫无目的地行驶，想想就令人害怕。

2 本书内容

第1章重新制作了流程图，更正了一个无意中的输入错误，并新增了一些方法。 

第2章改进了代码，并给出了更美观的图表，此外基本与第1版一致。 

第3章改善并精简了代码。增加了多元自适应回归样条模型，这是我最喜欢的技术之一，它的效果非常好，可以处理非线性问题，而且易于解释。我将它作为基础模型，将其他模型作为“挑战者”，看看其他模型能否在性能上超过样条模型。 

第4章不但介绍了回归模型中的特征选择技术，还包括了分类模型中的特征选择技术 

第6章增加了XGBOOST扩展包提供的流行技术，还增加了使用随机森林作为特征选择工具的技术。 

第7章更新了一些深度学习方法的信息，并改进了使用H2O软件包的代码，包括超参数搜索技术。 

第8章新增了使用随机森林进行无监督学习的方法。 

第9章使用了新的数据集，新增了样本外预测的方法。 

第10章新增了序列分析方法，我发现这种方法越来越重要，特别是在营销领域。 

第11章属于全新内容，使用了若干个非常棒的软件包。 

第12章添加了另外几年的气候数据，以及对几种不同因果关系测试方法的演示。 

第13章增加了数据，改进了代码。

第14章也是新内容，帮助你在云上简单而又快速地获取R。 

附录增加了新的数据处理方法

3 部分代码

                                 list = F)
# head(trainIndex)
shuttleTrain shuttleTest  
n form "use ~", paste(n[!n %in% "use"], collapse = " + ")))
form

set.seed(1)
fit "ce", 
                 linear.output = F)
fit$result.matrix
head(fit$generalized.weights[[1]])
plot(fit)
par(mfrow=c(1,2))
gwplot(fit, selected.covariate = "vis.yes")
gwplot(fit, selected.covariate = "wind.tail")

resultsTrain 
predTrain $net.result
predTrain = 0.5, 1, 0)
table(predTrain, shuttleTrain$use)

resultsTest predTest $net.result
predTest = 0.5, 1, 0)
table(predTest, shuttleTest$use)

4 资料获取方式

我们已经将资料代码及数据进行系统整理，本资料包含机器学习全流程分析示例代码和书籍，内容包括各种机器学习建模方法，方便在实操中学习。关注【科研私家菜】获取下载链接，全程提供学习指导和免费答疑。获取方式如下：

先关注公众号 科研私家菜，文末点击“ 喜欢作者”，按设定金额“ 赞赏本文”即可获取以上全部资料内容