大家好，我是北游。
信息时代，社会发展很快，在大模型满天飞的大背景下，一些机器学习算法也接踵而至，那么对于我们护理或医学研究领域有什么启发？对于这个问题，笔者翻阅了不少机器学习相关的SCI文献，总结了一点点小心得：拥抱新技术，积极探索交叉领域，精准化干预离不开精准且实用的预测模型。
一、LightGBM
二、训练、评价
既然说这个方法不需要事先对分类变量进行预处理，那么我们就试一试？
load(file = "datasets/train.rdata")library('lightgbm')library(Matrix)output_vector = as.numeric(newtrain$Survived)-1predata = lgb.Dataset(as.matrix(newtrain[,-1]),label = output_vector)set.seed(123)fit = lgb.train(params = list(objective = "binary",num_leaves = 4L,learning_rate = 0.1),data = predata)pp = predict(fit, as.matrix(newtrain[,-1]))ppclassy = predict(fit, as.matrix(newtrain[,-1]),type = 'class')library(caret)confusionMatrix(as.factor(classy),as.factor(output_vector))
准确率为08426，灵敏度与特异度分别是0.8978,0.7539，只能说是过得去，这可能是因为上面的代码没有调参（采用默认参数），LightGBM的超参数与xgboost是很类似的。如果想要调整超参数，可以用caret、mlr3、tidymodels等框架来做。其余的评价指标、可视化、模型解释可以参考我们前段时间发布的xgboost那篇文章。
三、手工编码分类变量
下面测试下，手动（也是用了函数）对分类数据进行编码（one-hot），看看模型的评价结果会有什么变化。
# lightgbmload(file = "datasets/train.rdata")library('lightgbm')library(Matrix)# 先转成数值，这里是转成了dgCMatrix格式sparse_matrix = sparse.model.matrix(Survived ~ ., data = newtrain)[,-1]head(sparse_matrix)str(sparse_matrix)# youtput_vector = as.numeric(newtrain$Survived)-1# 特有格式封装一遍predata = lgb.Dataset(sparse_matrix,label = output_vector)fit = lgb.train(params = list(objective = "binary",num_leaves = 4L,learning_rate = 0.1),data = predata)pp = predict(fit, sparse_matrix)classy = predict(fit, sparse_matrix,type = 'class')library(caret)confusionMatrix(as.factor(classy),as.factor(output_vector))
好像没好到哪里去：Accuracy : 0.8501、 Sensitivity : 0.9465 Specificity : 0.6953。有些低了，有些高了。也就是说用LightGBM的话，大胆放心用不做编码的数据，只要符合LightGBM模型本身对输入输出数据的要求就行。
觉得此文有帮助的话，可以帮忙点个赞吗？谢谢
主要参考来源：
官网https://lightgbm.readthedocs.io/en/latest/
相关R包（lightgbm）的帮助文档；
免责声明：仅供科研学习和分享，不做商业用途，如有侵权，请联系我们删除，谢谢。
