由于微信推送机制的变化，建议大家将公众号标记为星标，如此才能及时收到我们的更新，同时也希望大家能帮忙点点赞和转发，你们的支持是我们前进的重要动力来源，谢谢！护理统计随笔平台的内容现在已经非常丰富，很多方面都有涉及到，如果你觉得你没有看到往期的相关文章，不妨打开公众号的菜单页，在各级目录中查找你想要的内容。提醒：个人随笔，难度不大，不涉及深度学习，行文散漫，不权威、不正规，仅适用于护理学（或心理学、临床医学）初学者，如果您是初学者，想要知道机器学习到底是怎么回事，可以看看。如果您是已入门的选手，可看看本公众号推出的mlr系列学习资料，入口：
![]()
机器学习（Machine Learning）一词总让人误会，初学者乍看时脑海中可能会一闪而过'机器人'、'工科'、'仿真'等词汇。也许会想，这与我们护理（或者心理）有什么关系？没错，本人前几年第一次接触到机器学习时也有类似的感觉。令人迷惑的用词颇有种“高端”的感觉。不妨换个角度，把它称为统计学习（Statistical Learning），一切豁然开朗，本质就是统计学，或者加上计算机科学。比如，我们最常用的统计方法之一——多元线性回归、logistic回归，恰恰就是最简单的机器学习算法；再比如，大家熟知的临床（风险）预测模型也是机器学习在医学领域的扩展，本质就是机器学习。这么一看，其实我们早就会机器学习了……那么我们为什么还要学机器学习?因为很多时候只是用多元线性回归、logistic回归、cox回归等并不够用，而且机器学习空有算法可还不行，因为机器学习有三要素：模型、策略、算法。言归正传：机器学习到底是什么？我所理解的，就是从数据中建立统计模型并运用到新数据中进行预测。什么是模型？模型通常指的是一个数学函数或者一组函数，这些函数能够从数据中学习并做出预测或决策，这就是我们通过机器学习最终得到的东西，我们经常用的列线图就是对某些模型的可视化。模型学习过程就是算法，是一些既定的规则，比如线性回归、logistic回归、决策树、支持向量机、随机森林，等等。策略是模型选择的准则，对于同一组数据，不同的算法可以产生不同的模型，不是所有模型都是对的，恰恰相反，所有模型都是错的，但是其中一些模型是有作用的，所以我们只是利用模型的近似性质，通过筛选找到最优模型（对于当前数据最有用的模型）。当然是用软件做，R、Python、matlab都是很好用的工具。
基本思路：选定数据集-> 数据预处理->建模->验证->解释。在此之前，需要知道一些基本的知识（很无趣，但重要）。老生常谈了，监督与否，说白了就看你的研究数据有没有因变量y（机器学习中，y被称为“标签”，自变量被称为‘特征’），有则为监督学习。我所理解的监督是，假如现有一个学习到的模型A，用它对新数据集中进行预测时，会输出一系列预测值（比如logistic回归中的拟合值），我们正是借助数据集中本来就有的y，来跟预测值进行比较，以此判断该模型是否合适（模型评估），进而寻找最优模型。比如，我们要做一个糖尿病患者低血糖发生风险预测模型，y就是我们所感兴趣的结局变量（患者在特定时间段内是否发生低血糖）。这是个二分类变量，所以是个分类任务。训练集用于建模（训练模型），测试集用于评价最终模型（类似于考试，‘一考定终身’。测试集与训练集要互斥。数据集获取有几种策略，① 确实有两个数据集（比如多中心），将一个作为训练集，另一个做测试集。用这种测试集做评估就是所谓的外部验证过程。② 只有一个数据集。数据集不够，那么就拆分：留出法（hold out，随机拆分、分层随机拆分）、交叉验证（如k-折交叉验证，重复交叉验证）、自助法（bootstrap）。样本很大时，推荐交叉验证，不过应先留出一份测试集，再行最交叉验证（个人观点）。小样本最推荐bootstrap。③ 需要调整超参数时，需要建立验证集，验证集一般从训练集中拆分获得。将调好的模型放在训练集+验证集重新训练下。④ 测试集一定要独立：数据预处理时，如果做归一化、中心化、标准化等操作，要注意不能污染测试集。⑤ 类别不平衡：就二分类结局变量，理想的是阴性个数：阳性个数=1：1。极端例子：一个1000人的糖尿病数据集中，未发生低血糖并发症的人数是999，发生的才1个，这样的数据完全没法用来建模，也没法评价，像准确率这种指标，就算全预测是阴性，都有99.9%的准确率。所以要处理，常用方法：过采样（小类变多）、欠采样（大类变少）、阈值移动。泛化误差与训练误差不是越小越好，可能会存在过拟合（overfit）。过拟合：把特点当做一般来归纳，过度学习，无法完全避免，但需要缓解。欠拟合：收集的数据不足，也可能选择的算法无法胜任。模型选择：评估方法、性能度量、比较检验（概率，需要统计检验）。分类任务：准确率、AUC、基于混淆矩阵的指标（TP\TN\FT\FN，也就是灵敏度、特异度之类的，说法不同；约登指数、F1分数），等等。做临床预测模型时，还要从校准度（brier评分、HL检验、校准曲线）、临床适用性（决策曲线）等方面进行评价。笔者认为算法什么的其实很容易，数据预处理是最难也是最重要的，甚至决定了模型的性能表现。我们从研究中采集的数据可能是多种多样的，有文字有数值，计数资料、计量资料等，类型多样。拿R举例，建模之前要探索数据。比如，进行一般统计描述，看看变量分布、变量间的相关性，检查缺失值、异常值，有些建模前需要对数值做归一化、对分类变量进行编码（哑变量、独热编码等）……就此打住，机器学习理论是说不完的，永远在发展，笔者也没这水平，后面计划分享一些常见算法的实战。关于机器学习的理论知识，推荐阅读李航老师的《统计学习方法》，这本书出到第2版了，偏理论无实战，适合想要系统补充理论知识的同学。
参考文献中列出了BMJ杂志最新发表的介绍临床预测模型相关理论知识的文献，大家不妨读一读。
[1]李航 《统计学习方法》
[2]Hefin I. Rhys 《机器学习实战——使用R、tidyverse和mlr》
[3]Fred Nwanganga《R语言机器学习实战》
[4]http://dx.doi.org/10.1136/bmj-2023-074819
[5]http://dx.doi.org/10.1136/bmj-2023-074820
[6]http://dx.doi.org/10.1136/bmj-2023-074821
正文图片来自上述参考文献，封面来自参考文献4（Evaluation of clinical prediction models (part 1): from development to external validation）。本文仅供学习、分享使用，如有侵权，请联系我们删除，谢谢。
重要提醒：笔者打算写个小小的系列，会更新各种常用算法和它的实现，想到哪写到哪，可能不完整，也绝不是权威的学习资料，或许该称之为科普资料，因此仅供参考，请注意鉴别。此外：如果你在科研学习中遇到了疑问，恰好也想跟网友们交流，可以加入我们建立的“护理科研交流群”。这是一个完全自由、开放、免费、没有套路的纯交流群。加群方式：后台私信关键词“加群”。
