一种用损失函数揭示孕期疾病和出生结局风险因素的方法技术

本发明专利技术提供了一种对预测变量的重要性进行研究的方法，适用于所有预测变量均为分类变量的情况。具体方案为，将其中某一预测变量移除，采用损失增加百分比来描述该预测变量的重要性。通过上述方案，可以在所有预测变量为分类变量时，对所有预测变量的重要性进行排序。对所有预测变量的重要性进行排序。

【技术实现步骤摘要】
一种用损失函数揭示孕期疾病和出生结局风险因素的方法


[0001]本专利技术涉及及其学习领域，具体而言属于一种通过机器学习模型，对预测变量重要性进行研究的方法。

技术介绍

[0002]近些年来机器学习和深度学习领域研究非常热门，而且在医学图像识别方面已经取得了非常优秀的成果。但是与出生结局预测有关的机器学习和深度学习相关研究较少。虽然传统研究已经找出孕期促甲状腺素TSH和其他影响早产等出生结局的危险因素，但未能量化这些因素对预测出生结局的重要性。Engchuan等人在健康的社会决定因素研究中，运用了连续变量的损失函数算法，他们用均方误差(mean square error)增加百分比衡量一个预测变量的重要性(Engchuan W,Dimopoulos AC,Tyrovolas S,et al.Sociodemographic Indicators of HealthStatus Using a Machine Learning Approach and Data from the English Longitudinal Study ofAgin本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对预测变量的重要性进行研究的方法，其特征在于，所有预测变量均为分类变量，将其中某一预测变量移除后，采用损失增加百分比来描述该预测变量的重要性；具体步骤包括：(1)建立机器学习模型，利用所有预测变量对结局变量进行预测；(2)运行模型，计算包含所有预测变量的模型损失值loss
j
；(3)去掉其中一个预测变量，计算去掉该预测变量的模型损失值loss
j
‑1；(4)根据公式计算得到去掉该预测变量的损失增加百分比；(5)重复步骤(3)和(4)，计算出去掉每一个预测变量所对应的损失增加百分比，并进行从大到小排序，得到所有预测变量的重要性排序。2.如权利要求1所述的一种对预测变量的重要性进行研究的方法，其特征在于，当所述结局变量为二分类结局变量时，包含所有预测变量的模型损失值loss
j
计算公式为，去掉一个预测变量，模型损失值loss
j
‑1计算公式为，其中对数计算是以2为底，y
i
是结局变量，p
i
是根据所述机器学习模型计算得到的结局变量的预测概率,n是样本数量,j是预测变量的个数。3.如权利要求1所述的一种对预测变量的重要性进行研究的方法，其特征在于，当结局变量为多分类结局变量时，包含所有预测变量的模型损失值loss
j
计算公式为：去掉一个预测变量，模型损失值loss
j
‑1计算公式为：其中，对数计算是以2为底，y
i,c
是结局变量，p
i,c

【专利技术属性】
技术研发人员：花静，吴美琴，戴霄天，孙源瞳，郑唯韡，赵惠涓，何怡，马武仁，张超，李珣，王卓著，那炜，李智敏，容艳瑜，龙佳，
申请(专利权)人：复旦大学，
类型：发明
国别省市：