-
数据缺失率可视化
通过可视化，我们不仅能了解缺失的程度，还能发现缺失数据之间可能存在的模式，这对于后续的数据清洗和模型建立非常有帮助。 为什么要做缺失值可视化？ 快速评估数据质量：直观地了解每个特征 (列) 缺失了多少数据，以及整个数据集的完整度。 发现缺失模式：缺失是随机发生的，还是存在某种规律？例如，某个变量的缺失是否总是伴随着另一个变量的缺失？这种模式的发现对选择填充策略至关重要。 指导数据清洗策略：如... -
临床预测模型的样本量估算 -- 基于 Riley 方法
样本量估算是医学相关研究必不可少的一个环节，临床预测模型研究也不例外。目前国内很多预测模型研究沿用了一些样本量估算经验方法，其中最为常用的方法就是确保每个预测参数至少有 10 哥时间，也被称为十分之法则，即 10 EPV (Events per variable)，就是说要确保每个预测参数，即回归方程中的每个 β 项至少有 10 个事件被考虑纳入预测模型方程中。 另外，孙振球教授主编的《医学... -
LaTeX 的一些 Tips 积累
LaTeX 是一种基于TeX的排版系统，由美国计算机学家莱斯利·兰伯特在20世 纪80年代初期开发，利用这种格式，即使使用者没有排版和程序设计的知识也可以充分发挥由 TeX 所提供的强大功能，能在几天、甚至几小时内生成很多具有书籍质量的印刷品。对于生成复杂表格和数学公式，这一点表现得尤为突出。因此它非常适用于生成高印刷质量的科技和数学类文档。 本文章仅仅用于记录个人在开发中一些代码块记录，方... -
多组临床试验，样本量到底怎么算？
在进行科学研究，尤其是临床试验时，样本量的估算无疑是研究设计阶段最关键、也最令人头疼的环节之一。一个合适的样本量是确保研究结果可靠、结论具有说服力的基石。 我们大多数人都熟悉两组研究（例如，一个试验组 vs. 一个安慰剂组）的样本量计算。但如果你的研究设计更为复杂，包含了三个甚至更多的组别，比如需要比较不同剂量的药物疗效时，情况就变得不那么直观了。 这篇文章将探讨多组研究设计中样本量计算的两... -
融合机器学习算法 - 用 VotingClassifier 实现分类多模型的投票集成
基于集成学习的投票分类器：从个体智慧到集体决策。 在数据科学和机器学习领域，我们常常追求构建一个尽可能精准和鲁棒的预测模型。然而，就像在现实世界中，依赖单一专家的意见可能存在偏见或局限性，单个机器学习模型也可能在某些数据上表现不佳。为了克服这一挑战，集成学习（Ensemble Learning）应运而生。它借鉴了“三个臭皮匠，顶个诸葛亮”的集体智慧思想，将多个模型的预测结果进行组合，从而...
夜下征虏亭
唐 · 李白
船下广陵去，月明征虏亭山花如绣颊，江火似流萤
