粉丝4.9万获赞17.2万
相关视频
08:55
09:12查看AI文稿AI文稿单因素 cox 回归是一种用于生存分析的统计分析方法，用于探讨一个单因因素变量对个体生存时间的影响。生存分析是一种统计方法，用于研究某个事件发生前的时间，例如死亡、疾病、复发等。 cox 回归是一种广泛应用于生存分析中的回归分析方法。在单因素 cox 回归中，研究者将一个单因因素作为自变量，例如年龄、性别、治疗方案等， 而因变量则是个体的生存时间。通过计算自变量与生存时间之间的相关性，可以评估该因素对生存时间的影响。具体而言， cox 回归通过估计一个风险比来比较不同因素对生存时间的影响。该因素 cox 回归的结果可以用来确定是否应该将该因素 包含在多因素 cox 回归模型中，以及如何对个体的生存情况进行预测。我们通常先进行单因素的分析，目的是将多因素 cox 模型中的潜在主变量和斜变量快速筛选出来。结果一，单因素 cox 回归统计结果表格， 此表展示了各个字变量或分组变量的统计数风险比上下区间 p 值。结果二，带因素 cox 回归 p 值表格，此表展示了每个字变量的 cox 回归的 vop 值。 结果三，单因素 cox 回归 c n x 表格，此表展示了单因素 cox 回归里每个模型的 c 指数和其标准误差一致性指数，预测风险和实际风险排名是否一致，接近一则准确结果四，单因素 cox 回归系数表格，此表展 展示了 cox 回归里每个变量的系数系数指数标准误差 z 值、 p 值。结果五，单因素 cox 回归。 h。 二、森林图此图把所有的单因素 cox 变量放到了一起，并展示其风险比和上下区间中间的数线是无效线， 若区间横线与竖线交叉，则因素和结局无关联。若区间横线在左侧，则因素有利于结局发生。如果区间横线在竖线右侧， 则因素不利于结局发生。方法说明，本算法调用了 survivor survivor tablean deploy 的二包。使用本方法的相关经典文信有四篇，供您参考。 多因素 cox 回归用于探究多个因素对生存分析的影响。多因素 cox 回归的基本原理是基于 cox 比例风险模型， 在考虑多个预测因素对事件发生的风险比时，可以控制或调整其他因素的影响，从而更精确地评估预测因素对事件的风险比。在多因素 cos 回归中，需要注意调整其他预测因素的影响，并对模型假设进行验证。 结果一，多因素 cos 回归统计结果表格。此表展示了各个自变量或分组变量的统计数风险比。上下区间批值 结果二，多因素 cox 回归屁值表格。词表展示了多因素 cox 回归的 world p 值。结果三， 多音素 cox 回归 c n x 指表格，此表展示了多音素 cox 回归里模型的 c 指数和其标准误差一致性指数预测风险和实际风险排名是否一致，接近一则准确结果四，多因素 cox 回归系数表格。词表展示了 cox 回归里每个变量的系数系数指数标准误差 z 值、 p 值。 结果五，多因素 cox 回归预测风险表格展示了所有样本预测风险值。结果六，多因素 cox 回归 h 二、森林图 此图展示所有因素的变量，并展示其风险比和上下区间中间的竖线是无效线，若区间横线与竖线交叉，则因素和结局无关联。若区间横线在左侧，则因素有利于结局发生。如果区间横线在竖线右侧，则因素不利于结局发生。 结果七，多因素 cox 回归 rock 曲线图 rock 曲线的横轴是假阳性概率，纵轴是真阳性概率。主要看 rock the rock 面积，即曲线下与坐标轴为成的面 面积。如果 out 接近一方法，真实性越高，准确率高。结果吧。多因素 cos 回归决策曲线图决策曲线用来帮助确定高风险，需要干预低风险，避免干预评价获益程度的一种评估方法。 横坐标示预概率，总轴是近或意安徽线是不进行干预或一为零哦。黄线表示所有样本均进行干预，模型的蓝线越靠近干预黄线越好。 结果九，多因素 cox 回归校准曲线图校正曲线是实际发生率和预测发生率的散点图。 横坐标为预测的生存率，纵坐标为实际的生存率。对角线是预测概率等于实际概率，对角线的虚线是参考线及预测值等于实际值的情况。预测和实际发生率完全一样。你和曲线和对角线 线越接近，说明预测和实际发生率越接近，说明模型越好。结果时，多因素 cos 回归列线图列线图又称弄墨图，用来把多因素分析结果用图形方式表现出来，将多个预测指标进行整合，然后采用带有刻度的线段， 按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。每一个变量对应的线段上都标注了刻度，代表了该变量的可取值范围， 而线段的长度则反映了该因素对结局事件的贡献大小。单项得分，即图中的 prince。 第一行表示每个变量在不同曲直下所对应的单项分数以及总得分，即 total pointness。 最后一行表示所有变量取值后对应的单项分数加起来合计的总得分。 p 二则 是总分对应的应变量预测概率。方法说明，本算法调用了 survival survivor table one deployed 二包。使用本方法的相关经典文信有四篇，供您参考。 那么如何快速简单的实现这些分析呢？有请统计员上传好数据后进行数据分析。选择生存分析、单因素 cock 分析。设置参数、生存状态、生存时间、自变量拖进或者勾选相应变量， 点击开始运行分析。预览分析结果， 下载分析报告。图表 参照单因素 cox 分析结果，选择合适变量，进行多因素 cox 分析。选择好所需字变量，点击开始运行分析。预览分析结果， 下载结果文件包 查看分析报告， 查看帮助文道。 好啦，操作如此简单，快来试试吧！
07:54
03:41查看AI文稿AI文稿大家好，这是一节所有人都可以学会的 spss 分 析课程，今天我们要讲的是分层回归。 首先我们来了解一下分层回归的一个基本概念，分层回归它其实就是多源信息回归的一种形式而已， 它是一层一层的放入模型，然后每加一层就做一次回归分析，主要是看这个新增的变量是否有提升模型的解释力，也就是 r 方。 这里有几种分层回归应用的场景，一般是控制人口学变量， 比如说你的性别、年龄、学历等等这些它是作为控制变量，然后来分析你真正想关心的核心变量，比如说工作压力、社会支持，然后对因变量 y 的 一个影响，像控制变量这些呢，你就 它只是作为控制变量，不是很看重它，你真正想关心的就是核心变量是否能显著的影响 y， 然后就是中介检验和调节作用，这两个用的也是比较多的。分层回归， 这里可以看到这样一个结果的表格，这个就是分子回归的一个结果，可以看到他对你这三个回归分析的模型。第一个是先纳入你的控制变量，也就是年龄、城市来做一次回归， 然后模型二呢，是把你的第一个核心变量纳入进来，再做一次回归，这个就是模型二的结果。 然后模型三呢，是把你剩下的自变量一起纳入进去，然后再做一次回归，主要是看这个 r 方是否有显著提升，这里可以看到它是零点零二，然后零点一三，一直到零点三，说明它是逐渐增加的。 然后这里就可以看到 你的核心自变量是对音变量有显著的提升作用，当然它们这四个变量也都是有显著性的。 这里我们以这个调查问卷为例，一般情况下是人口学变量作为控制变量，以品牌中置度作为音变量，其他的四个维度分别作为自变量来做一下分层回归。 我们借助 chat s p s s 这个分析工具，首先在这里上传数据，然后可以大概 查看一下你数据上传的数据是否完整，再点击确认，下面一个对话框里可以输入对数据做一个分层回归，然后音变量是什么，自变量是什么，以及你的控制变量， 然后他就会按照你说的指令来做这样的一个分层回归结果。 当然这个表格也是可以直接粘到 word 里的，粘进来之后就是这样的一个三线表， 这个工具里面还有很多的一些统计学方法，都可以去尝试一下。
14:34查看AI文稿AI文稿那接下来， hello， everybody 欢迎大家来到我们最后时刻概率统计，接下来我们来看成对的限性回归分析。 咱学三件事，分别是限性相关系数、限性回归方程以及非限性回归方程。首先来看限性回归系数， 先了解一下正相关和负相关。正相关就是整体是一个单调递增的一个趋势，比如咱每周看医术视频的时长越长，数学成绩那大概率那就会越来越高。但是如果你用手机不看医术视频， 你去玩游戏，那你每周玩手机的时长越长，数学成绩那肯定就越低喽，这就叫负相关。 ok， 那 你知道什么是正相关了，什么是负相关了？但是我发现有的时候吧，两个数据 x 和 y， 我 画在平面直角坐标系里面的话，它有可能这个线形关系，哎，特别明显，就说这些个点点啊，都在某一条直线附近很近的一个位置，但也有可能离我这个趋势。这条直线啊，你大概看着啊，也确实是一个负相关，但是每个点离我这条直线都比较远， 那如果像这种特别特别散的啊，你根本就看不出来，呃，是单调递增还是单调递减的，那就几乎没有现行相关性了。那这个现行相关到底是强还是弱，咱是不是得有指标来衡量一下呀？这个指标就叫现行相关系数，用小二来表示， 怎么算呢？左边这个是第一个公式，考试几乎就给它，你会代入，就想怎么代。比如说任何一组数据啊，它坐标那肯定有个横坐标，我记为 y i， 那算这个现象相关系数之前，我得先把所有的 x 横坐标平均值先给它算出来，然后纵坐标平均值也给它算出来，然后用每一个点的横坐标减去平均值，乘以纵坐标 减平均值，乘起来再相加，这就分子分母每个点横坐标减平均值，平方完相加之后再开根号，这个是纵坐标也开根号。一般来说，公式都会给大家，你会代入就行， 但是有的时候大家注意它等加的变形式，你也得会，这就得靠自己背下来了哈。跟我们讲方差的那两个等加式子特别像，你可以先算这个数，把每一个数据横坐标乘以纵坐标，然后相加起来，横乘纵 加横乘，纵加横乘纵，最后啊，全都加起来之后，再减去 n 个，你有几个数据， n 就 取几呗。平均值相乘 特别重要，你别不当回事，一定要记一会给大家举例题。那有关这个线性相关系数本身还有一点点小知识啊。这 r 呢，它是有取值范围的，它在正负一之间运动，你算这个值一定是正负一之间的数，不是的话，那说明算错了啊。 这 r 如果是正的，它就是一个正相关，那如果 r 是 负的，它就是一个负相关。如果 r 的 角值越趋近于一，就意味着 r 越趋近于这两个端点值的话，那么 x 和 y 这数据呀，它的线性相关性就越强。 当 r 如果取一的话，那，那不用说了，每个点都在直线上啊，那反过来，当 r 无限趋近于零时，越趋近于零，向量相关就越弱。 那现在要问问题啦，每年都问判断对错。一个乘对数据 x y， 如果你用刚才的公式算完，哎，它的向量相关系数 r 等于零，那是不是 x y 就 没有相关关系嘞？是对还是错？五秒钟时间判断一下。 经典错误这句话是不对的，当现行相关系数二等于零的话，你只能说 x 和 y 没有现行相关关系，它有可能有别的非现行的相关关系，我只不过不是在一条直线上而已，但是我 x y 可以 是相关的，可以是相互影响的， ok， 这是一道判断。那么给大家举个例题吧，二零二二年全国一卷，太经典了，也是每年都讲绿水青山八八八，我为了估计啊，这个邻区树木的总采集量啊，啥意思不知道，我选取了十棵树，我测量横截面积和采集量，一个是 x 啊，一个是 y， 他 俩的关系 ok， 一 共呃，十个数，怎么样呢？哎呦，他把这总和都帮我算好了，那就是他的总和除以十个数零点零六， y 的 平均值就零点三九。 然后你看他还非常贴心的出题人自己心里知道，一会让你算数了，那太多数据了，你别算了，帮你算好了， x i 平方 y i 平方， x 乘 y i 全都给我了，然后第二问问我这 x y 样本的现行相关系数， 哎，你看很好心是吧，公式给我了，你用吧，把每一个值哎，减去刚才算完的平均值啊，再乘以 y 啊，减去平均值，一个一个算，算十遍，最后加起来啊，分母也一样算去吧。当然可以算，但是你是不是没用上 x i 方 y i 方 x 乘 y 这些人家给你的数据你没用啊，咋用？ 是我得用向量相关系数这等加形式里面它才有 x i 乘 y i x i 方 y i 方啊，人家是给你公式了，但是没用，你得带你自己背的这个公式来开带啊。第一项题目，给我的零点二四七四减去十个数，平均值相乘。 ok， 那 接下来来看一下这个分母。 第一项，根号 x i 平方啊，加起来了是零点零三八，减去十倍的平均值的平方，那直接算了啊，它是零点，呃，零零三六，乘以十的话，就是零点零三六， 下一个数 y i 平方加起来减去 n 倍的零点三九的平方。这没办法了，你真得算三十九乘三十九是吧？然后两数一乘啊，上面分子也一算，最后化简 得到一点三四，比上根号下一点八九六。哎，这这这，这不会算呢，人家给你了，大约是一点三七左右，把这数带进来，得到一个答案，零点九七。第二问 结束。重点，咱其实就想着讲这第二问，告诉你这公式啊，你得背第三问，对应乘比例不，不讲了，太简单，答案一二零九，自己算去。来看下一个问题。 我们刚才呢，用这个小 r 来表示 x y 啊，它的限行相关系数强不强？好，那如果限行相关性很强，那几乎就在一条直线上了，那这条直线的方程怎么求呢？这是我接下来要研究的问题，叫限性回归方程。 我把 x y 能取的所有值全都列在表格里了。那想求这条直线，那直线呢？无非就是 y 等于 k， x 再加 b。 但是我们在这个向量回归方程里面，我们设的时候，呃，不设 k 啊，我们设 y 加，等于 b 加， x 加 a 加， 其中 b 间是它的斜率。具体呃都怎么算？有公式的，你不用担心，那有关这条直线，你会三件事就行了。第一个事得到的，或者说你和完这条直线一定经过的一个定点是 x y 平均值一定的啊，如果不经过，那那是不可能的。第二件事，其中这个 b 间怎么算？ 公式？在这我要求大家，这个公式你得会背下来，刚才那现行相关系数小 r， 那 公式你可以不背，这个我还是建议你背一下，我怕我担心人家万一出题不给呢？而且它也有一个等价形式，哎，和刚才都一样的哈，就是 x 减 x 乘 y 减 y 啊，加起来等于 x 和 y 先乘加起来，再减去 n 倍的均值相乘。 其实所有公式的等加变形，你会背这一个就已经够了，因为你想下边这个平方指的是啥呀？平方说白了不就自己乘自己吗？那我再仔细看看，那这跟上面有啥区别啊，不就是把 y 换成 x 而已吗？ 所以上面那个你如果一旦背下来了，下边你推也能会推，把这里的 y 都换成 x， 那 你看看，呃， x 乘 x 了，是不是 x y 平方， x 乘 x 是 不是它平方一模一样的呀？总而言之，言而总之，你把上面这个背下来就行， 带到公式里面去， b 加这个斜率求出来了。那 a 加有公式没？没有题目会给你 a 加的公式， a 加得自己求咋求？你一条直线斜率已经知道了，那还经过一个定点，我把这个定点带进来， 我就能得到 y 平均值等于 b 加刚才算完的乘以 x 平均值，再加上 a 加，这仨数你都有 a 加一解出来了。那今天给所有的宝贝留一个必须要做的作业，这是曾经的高考原题， 一二三四五六七七组数据，直接光给你公式啊，啥都没给你提前算好，任何参考数据都没有让你手动开算。限性回归方程里面的 a 间 b 间咋算？一个一个，一个一个往公式里带，考不考要耐心， 你考试想得分，要不要作？必须要作，谁知道今年考试抽不抽分，让你在考场上真的就再算一遍，听话，宝宝一定要算。我把答案贴在这， b 间算完零点五， a 间算完 二点三，课上没时间带大家一点一点算了哈，大家自己回去算去。我们来看下一个问题先，假如说现行回归方程让你求出来了，那我如何评价你拟合出来这个回归方程？哎，这个拟合的好不好呢？ 什么叫拟合好不好？说白了就是，哎，你这些个实际的真实的数据，这个点到我拟合出来这条直线呀，他远不远？哎，你要是越远越偏离，那意味着你拟合效果就没有那么好， 你要是一个一个全都在之间上，那就意味着你拟合效果就好。拟合效果我们有两个参考数据，第一个叫残差，我们用实际的也就是一个个点的纵坐标，然后减去 这点横坐标对应的直线的纵坐标。哦，说白了，拿这个点来说，这点坐标呢，是比如说 x i y i， 这是实际真实的数据，那在横坐标为 x i 的 时候，这条直线啊，我拟合出来我估计的这个值，估计值，我用这小尖来表示， 用这两点纵坐标之差作为我的残差，那么显然，如果点在直线的上方，那这俩相减的话，它是一个正值，那如果点在下方，那你这个点纵坐标减去它对应的，呃，估计值点的纵坐标 小的减大的，它还有可能出现负值，所以记住了，残差有正有负。那具体谁减谁，你别减反了啊，你要用真实的数据，什么叫真实数据？就实际存在的啊？这个点的坐标减去虚拟的，减去你估计的，减去假的，这个数据用真的减假的， 就这么记， ok， 这是我衡量我你和好不好的第一个指标。但是你光用残差来表示吧，说实话有点麻烦，因为你想，比如我这组数据一共有，呃，十个点吧， 你十个点是不是就有十个参差？那我问你，你这组数据到底你和他好不好？你不能给我咣当，因为把十个数据糊我脸上对不对？我们尽量用一个数据来总结你和好不好这件事，起个名字叫决定系数。 r 方怎么算？公式也有，我们是用一减去一个分数，分数这个分子是一个东西平方再相加。哎，这，这啥东西啊这是？正好是残差呀，我们把这个分子这个数啊记为叫残差平方。和刚才你算的那么多残差平方一下再求和分母是啥呢？这老生常谈了， 咱把每一个真实数据减去它的平均值，平方再求和 r 方有什么意义呢？如果 r 的 绝对值越大，那就意味着你和效果就越好， r 的 绝对值如果越小，逆核效果就越不好。很简单啊很简单。以上就是限性回归分析的几乎所有内容了，那我稍微给大家补充一点，我们来讲一讲非限性回归分析。 我们知道有些数据呢，天然并不是在一条直线上的，它明显不是一条直线，比如说是一条曲线，那有可能是一个指数函数的图像，或者啊，对数函数的图像。那这个时候我怎么求这个类似于指数函数的这里的参数 m 和 n 呢？这就叫非限性回归方程的计算，我们永远是把非限性 转化成弦形的。哎，它出现这个指数了，哎，指数，哎，太难受。出现指数，我不会呀。没关系，我两边取对数，左边 y 取对数，右边整体我也取对数，真数相乘，相当于我对数相加，我写 like e n x， 再加 line m。 呦呵， line e n x 啥玩意儿啊？以任何数为底， a 的 x 私密都是 x 本身，所以它其实就是 n x。 当然你用下头公式也一样啊，它下头出来就是 n x， 背的 line e 就是 e 嘛，就是 n x。 哎，那是又怎么样呢？我发现现在已经没有指数了， 它变成了这样的形式，你如果看着不太舒服，我换个圆你看看。但如果把浪 y 看成一个整体，设成一个大 y， 大 y 等于多少？ x 再加多少，看出来没？我小 x， 小 y 确实不满足线性相关关系，它是一个非线性的指数，但是我 line y 和 x， 它满足的是线性相关关系。 求完的 b 加就是这里面的 n， 然后求完 a 加就是呃，绕 m 转化一下大 m 是 多少也就有了。哎，你看着好像挺抽象，但是特别简单。在题目里面举个例子，挑选一百名学生进行记忆测试，讲解一百个单词之后，时隔十分钟进行听写。哎呦，讲一百个还不少哈。 现在发现间隔时间跟答对人数之间的一个关系。那肯定时间越长，呃，人数答对的应该越少吧。我判断对不对， t 越来越大，发现答对人数也越来越少了，这太正常了哈。 然后这个时间 t 跟答对人数 y 究竟有什么关系呢？我发现 t 和 y 本身它是长这样的一个关系，显然这是一条曲线。但是我如果把这个人数 y 整个所有的值啊，每一个都取一个多位数之后，我发现， 哎， line y 跟 t 好 像就非常近似于一条直线了。第一问，通过散点读判断啊，这个直线，呃，跟这个，哎，这不就 line y 跟 t 的 关系吗？哪一个更适合作为向量函数模型？啥子都知道，这个更适合选它。那第二问，我不看我都知道，让人问我求这个 c 跟 d 分 别是谁是吧？ 来求吧。我先求这个斜率，斜率呢？公式肯定是给我的，直接来求， c 等于 u v 是 什么东西？ u v 是 它的横纵坐标是吧？横纵坐标相乘再相加。题目里面有没有大家告诉我用这个数据还是用这个数据？ 你傻了，现在谁是纵坐标？ line y 才是我真正的纵坐标，所以我乘的时候应该用横坐标， t 乘以 line y 用，用右边这个啊。所以这数应该是六百二十一点七，减去一共几个值？一二三四，一共十个值吧。不是一百个值啊，乘以对应的平均值， 十到一百的平均值，这再算错。别玩了啊，是五十五，不是五十哈。纵坐标纵坐标是 line y， line y 的 平均值。题目里面有没有没有他给我求和了？求和是十三点五二，那十个数就是一点三五二， ok， 一 切都非常顺利。来看分母。哎，我才反应过来，这题还挺仁慈的，直接把这个变形式给我了哈。 u i 方啊， u i 是 横坐标，横坐标是 t， t 的 平方加起来三万八千五，减去十个数，平均值的平方平均值五十五吧。接下来谁也帮不了你了，你这些数啊，得自己算， 就算是负的零点零一五是个负相关关系，那斜率有了，这个 d 怎么求呢？整个直线一定经过的是横纵坐标的平均值，横坐标 t 的 平均值， t 平均纵坐标是 log y 啊， log y 作为整体的一个平均值， 分别是多少来着？呃， t 平均值是五十五， log y 帮我加好了，十三点五二除以十一点三五二带进来一点三五二等于刚才算的 c 负零点零一五乘以 t 平均五十五， 再加 d， d 算式二点一六六，直线方程都有了。第三位让我做个，估计很简单，几个不等式就行哈。答案我贴在这，大家自己做。这就是非限性相关关系，其实很简单对吧？转化成限性的就好了。
3834一数儿的课
01:29查看AI文稿AI文稿机器学习预测模型结果解读第一集拉索回归图怎么看？拉索回归是我们常用的特征筛选的方法，那么在文章里面呢，我们通常会用两张图来呈现它的筛选过程。第一个叫做系数路径图，横轴是单板直 number 是 拉索回归里面的关键变量，纵轴呢是回归系数，每条彩色的线代表一个变量，从左往右， number 值变大，越来越多的系数被压缩到零线消失的位置，就是那个变量被淘汰的地方，最终留下的非零系数就是模型筛选出来的预测因子。 那么最佳的 number 值如何确定呢？我们通过交叉验证来选择。第二张图呢，就是交叉验证图，横轴仍然是 log number 值，纵轴是均方误差， 图上标注了两条竖线，首先就是均高误差最小的这里对应的 number 值，那它呢，也就是让模型误差最小的最佳参数。那么另外呢，为了获得更简洁的模型，那么在它 基础上又有了一个一倍标准误范围内的这么一个 number 值，那么我们就根据需要选择相应的最佳 number 值就好了。如果选择最小 number 值呢，它筛选出来的变量个数相对来说可能会比较多，但是模型性能会更好。 那么如果我们选择一个标准差内的 number 值呢？那么相对来说呢，模型就会更加简洁，同时兼顾模型的能力，在 写论文时就报告这两张图就可以啦。系数路径图呢，是能看出来啊，这些系数是如何随着 number 值的变化而变化的？交叉验证图呢？能看出来最佳 number 值是如何选择的，以及筛选之后呢？对应的特征有多少个？
71临床挖掘机
01:29查看AI文稿AI文稿机器学习预测模型结果解读第一集拉索回归图怎么看？拉索回归是我们常用的特征筛选的方法，那么在文章里面呢，我们通常会用两张图来呈现它的筛选过程。第一个叫做系数路径图，横轴是单板直 number 是 拉索回归里面的关键变量，纵轴呢是回归系数，每条彩色的线代表一个变量，从左往右， number 值变大，越来越多的系数被压缩到零线消失的位置，就是那个变量被淘汰的地方，最终留下的非零系数就是模型筛选出来的预测因子。 那么最佳的 number 值如何确定呢？我们通过交叉验证来选择。第二张图呢，就是交叉验证图，横轴仍然是 log number 值，纵轴是均方误差， 图上标注了两条竖线，首先就是均高误差最小的这里对应的 number 值，那它呢，也就是让模型误差最小的最佳参数。那么另外呢，为了获得更简洁的模型，那么在它 基础上又有了一个一倍标准误范围内的这么一个 number 值，那么我们就根据需要选择相应的最佳 number 值就好了。如果选择最小 number 值呢，它筛选出来的变量个数相对来说可能会比较多，但是模型性能会更好。 那么如果我们选择一个标准差内的 number 值呢？那么相对来说呢，模型就会更加简洁，同时兼顾模型的能力，在 写论文时就报告这两张图就可以啦。系数路径图呢，是能看出来啊，这些系数是如何随着 number 值的变化而变化的？交叉验证图呢？能看出来最佳 number 值是如何选择的，以及筛选之后呢？对应的特征有多少个？
1104临床挖掘机
06:24查看AI文稿AI文稿hello， 同学们，大家好，今天来讲一下这个回归分析，那么呃通常伴随着做回归分析的话，是要伴随着相相关性分析的， 但是相关性分析跟回归分析它有本质上的区别。相关性比如说学生的呃 成绩和老师教学质量之间，他是否有一个呃直接的影响关系， 那么相关只能看出教师的教学质量越好或者越差，那么学生的成绩他就越好或者越差。 但是否是呃教师的教学质量而导致的这个学生的成绩的这样一个变化，是需要通过咱们的一个回归分析来进行检验的， 因为简单的通过相关性分析的话，他也可以把两个不相干的事情呃联系起来。还比如说今天呃天气越好，对吧？那么学生的成绩越好，那可能出现这样的 偶然的情况，但是你不能说天气好导致了学生的成绩好，对吧？所以说需要咱们的一个回归检验去进行 矫正检验，那么它出来的结果就是这个样子的，就是它有壁纸，有误差，然后有这个 t 值及标准化系数，以及这个统计量是否显著， 那么可以看到他如果他的币值就是系数嘛，他如果是呃大于零，那么就代表有正向影响，而小于零的话就是负向影响。嗯，比如说生活质量 以家庭关怀总度总分为变量，比如说生生活的质量他越高 啊，就是他会去对于这个关怀度产生一个正向的积极的影响，但这个影响是不是具有研究价值的，也就是是否显著的，那么就要看咱们的一个 p 值， 那么可以很明显看到这里是屁值是小于零点零五的，并且是极其显著的，也就是它具有研究价值，那么其他的屁值都没有小于零点零五，也就说它及时研究的价值可能不太大，因为就没有产生显著的一个影响的效果。 然后这个回归的话，在 spss 当中是如何来做的？咱们可以打开 spss， 然后导入数据， 然后点击分析，点击回归，点击限行回归， 然后音变量就选生活质量，然后可以把其他你想要研究的变量给放进去，放到自变量就这个块里面，然后点击统计的话，最好要点这个执行区间， 呃，这剧情区间可以点，也可以不点估算值要点二方变化量，也可以点一下模型礼盒，点一下参差的德兵沃森，这个曲线也可以点击一下，然后保存，这都不用，点 这些都不用，然后点确定好，咱们就出来这个结果了，就生活质量，然后它的 t 值及它的 p 值这个显著性情况， 但这里为什么会出现这样的情况？会哦，这里还是要跟同学们说一下，就是你不能把这个，呃， 你不能把这个多重贡献性很高的一个变量放进去，就他比如说自变量，既当应变量也当自变量，这是不行的。好， 接下来就是把这种出来结果以后，把这种表格整理成三线表，这个就比较麻烦了，所以说我们就可以打开咱们的一个 chat s bus， 然后直接说我想要进行导入数据后，说我想要进行回归分析， 一一 生活质量总分为阴变量， 其他变量为自变量，然后它就可以进行这个回归分析，并且很快就能够得到标准化的三线表的结果。 可以看到，呃，他让你确定一下 一点，他会给出你一些建议，你直接按照建议来执行就可以了， 那他就出来这个结果了，然后咱们可以把这个结果直接复制进这个，呃， word 文档，就是这种标准的三线表，就非常快捷方便。
02:16查看AI文稿AI文稿大家好，我是大勇哥，那今天讲一下我们回归数据结果优化的一个服务啊，下面以这个案例进行讲解一下。我们呢是设定了两个 自变量， x 一 和 x 二，然后音变量是 y 啊，然后这里边 x 一 里边的变量里边会有四个题项， x 二的自变量里边有五个题项，然后 音变量也是有五个题项啊，共同组成了我们这个回归分析的一个数据源。然后呢，回归数据的时候会用到我们的这个平均值，作为这个音变量和自变量的一个最终的一个数据，也就是说我们到时候做回归分析的时候，需要用到的数据是这三列。 现在先看一下我们当前数据的一个情况，我们把这个数据呢放到 s p s s 里边看一下，它的一个回归 音变量是 y， 然后变量是 x 一 和 s 二。首先可以看到，虽然我们这个模型它的显著性是符合要求的，但是它的调整后的 r 方太小了，证明这个数据的解析力不够啊。同时呢，我们本次演示假设这两个字变量对音变量都是起正向 影响作用，但是现在呢， x 一 是负值，说明它现在一是一个负向的影响，而 x 二呢，它的显著性是零点七，没有小于零点零五，数据也是不合格的啊。那我们优化完之后的一个结果呢， 我们把这个数据也是同样的复制到 spss 里面再去分析一下， 此时可以看到我们调整后的 r 方已经达到了零点四九七，显著性是小于零点零一的。然后我们再看一下它们的影响系数，都是标准化后的影响系数都是正向，同时显著性也是小于零点零一啊，贡献性也是小于三的。 优化前和优化后的平均值不会发生变化，我们可以看一下优化前的 x 一 的平均值是三点九四五九，优化后的也是三点九四五九，就是每一列的数值 平均值标准差都不会发生变化。三点七二九 x 二的三点七二就是我们的一个优化服务，如果大家有需要的话可以联系。
13勇霖
07:56查看AI文稿AI文稿冬季，在地球的最北端是一片白雪皑皑的荒野，这里不是陆地，而是一片冰封的海洋。北冰洋 冰面为动物提供了较为坚实的平台，面积比美国全境还要大。 北冰洋冰面的状况决定了当地数量庞大、种类繁多的各种动物的生存，无论他们生活在冰面之上还是之下。 在未来的几个月里，温暖的阳光将融化大部分海冰，显现出冰下富饶的海水。 要想在此生存，动物们必须适应这个冰与水交替变幻的世界。 在经历了三个月的极夜后，太阳终于跃出挪威极地地区的地平线。 一头刚刚离开洞穴的北极熊妈妈鼓励幼崽们在海冰上小心翼翼的前行。 北极熊宝宝会待在妈妈身边两年左右，学习在北极地区生存所需的技能之后他们就要自力更生了。 在更远的海冰上，这头不到六岁的雌性北极熊已经完全独立， 他很好的适应了这片冰封环境，厚厚的脂肪和浓密的双层皮毛有助于防寒保暖。 每年的这个时候是觅食的理想时机， 他的目标是环斑海豹，而后者通常在水下四十米深的地方游动，捕食鱼类。 不过环斑海豹在水下停留十分钟后，就必须返回冰面上为数不多的裂隙处换气休息。北极熊具有灵敏的听觉，还有自然界中最灵敏的鼻子之一， 他可以隔着两米厚的冰雪探测到环般海豹的洞穴。时机决定着一切， 北极熊只有十分之一的成功概率， 所以对这头年轻的北极熊来说，每一餐都非常重要。但这时，一头雄性北极熊嗅到了猎物的气味。 体型庞大的雄性北极熊极具威胁， 与它交战可能带来致命伤害， 但雌性北极熊寸步不让。 出乎意料的是，与其说他们展开打斗，不如说是在玩耍。 然后他们一同前往远处探索。 眼下食物充足，这两头年轻北极熊似乎轻松结为了朋友。 雌性北极熊开始展示自己的游泳本领，灵活辗转于海水与冰面之间。 他从后面出来了。 他们在冰上起舞，沉浸在快乐之中。 他们一同玩耍了三个小时左右，然后便分开，继续各自的单身生活。 北极熊能在每年的这个时候茁壮成长，得益于广阔的海滨为它们提供了坚实的捕猎场。
2.2万星球档案
