Lasso回归模型的变量选择功能及其在糖尿病发展预测模型中的应用

摘要

当前机器学习应用渐趋成熟,如何结合算法优势与医学研究特点是有效应用的关键.统计方法一直在预测精度与可解释性上做平衡,而医学问题多数情况下对可解释性具有较高的要求.Lasso回归模型通过将某些不相关变量的回归系数压缩到零的方法,可以有效的筛选出与研究结果相关的变量.通过缩小变量范围,增加模型的可解释性,尤其有利于医学问题的简化和医疗工作者的人工应用.本文将简要介绍Lasso回归模型的原理,并应用于糖尿病进展的多元变量筛选.在取得相近预测精度的前提下,将自变量由10个简化到4个,极大的提高了模型的简洁性与实用度.