基于LASSO回归探讨多种生物标志物预测急性冠脉综合征病人PCI术后造影剂肾病的价值

目的:基于最小绝对收缩与选择算法(LASSO)回归探讨多种生物标志物预测急性冠脉综合征病人经皮冠状动脉介入治疗(PCI)术后造影剂肾病的价值。方法:选取2020年1月-2022年6月在海南医学院第一附属医院就诊的119例急性冠脉综合征病人作为研究对象,记录病人一般情况、血液生化指标、炎性因子、生物标志物及PCI术后3 d造影剂肾病发生情况,以病人PCI术后3 d是否发生造影剂肾病为因变量,运用10折交叉验证LASSO回归进行特征性变量筛选,以特征性变量作为自变量代入多因素Logistic回归模型获得急性冠脉综合征病人PCI术后发生造影剂肾病的独立预测因素,重点分析生物标志物与病人PCI术后发生造影剂肾病的关系,并基于独立预测因素构建联合预测模型和列线图模型,绘制校准曲线以验证列线图模型的预测效能。结果:10折交叉验证LASSO回归筛选出最具泛化能力的4个特征性变量糖尿病、尿肾损伤分子-1(KIM-1)、尿中性粒细胞明胶酶相关载脂蛋白(NGAL)以及尿胱抑素C(CysC),其对应的LASSO回归系数分别为0.436,0.624,0.916及2.745,多因素Logistic回归分析调整和校正混杂因素后,糖尿病、尿KIM-1、尿NGAL以及尿CysC为急性冠脉综合征病人PCI术后发生造影剂肾病的独立预测因素(P<0.05),基于急性冠脉综合征病人PCI术后发生造影剂肾病的独立预测因素糖尿病、尿KIM-1、尿NGAL以及尿CysC构建列线图模型,P=1/(1+e^(-x)),X=-2.345+0.824×尿CysC+0.565×糖尿病+0.685×尿NGAL+0.634×尿KIM-1,列线图模型的校准曲线显示,急性冠脉综合征病人PCI术后发生造影剂肾病风险的预测值与实际观测值符合度良好。结论:糖尿病、尿KIM-1、尿NGAL以及尿CysC为急性冠脉综合征病人PCI术后发生造影剂肾病的独立预测因素,基于独立预测因素建立的列线图模型具有较高的预测价值。

基于LASSO算法的光谱变量选择方法研究

光谱分析技术由于具有简单、快速、无损等优势,在复杂体系的定性和定量分析中得到了广泛应用。然而光谱中往往包含成百上千的波长点,有些波长点与研究的目标性质并不相关,加大了计算量并降低了模型的预测准确度。因此,在建立模型前需要进行变量选择。最小绝对收缩与选择算子(LASSO)可将回归系数收缩为0,进而达到变量选择的目的。该研究将LASSO用于三元调和油样品近红外光谱和生物样品拉曼光谱的变量选择,基于偏最小二乘(PLS)和多元线性回归(MLR)模型,分别对香油和肌氨酸的含量进行定量分析,并与无信息变量消除-PLS(UVE-PLS)、蒙特卡罗结合UVE-PLS(MCUVE-PLS)和随机检验-PLS(RT-PLS)3种变量选择方法进行比较。结果表明,基于LASSO的变量选择方法保留的变量数最少,运算速度最快。对三元调和油样品,LASSO-PLS预测的准确度最高;对生物样品,LASSO-MLR预测的准确度最高。因此,基于LASSO的变量选择算法有望在光谱分析领域中得到良好应用。

我国居民消费价格指数预测研究--基于LASSO-IPSO-LSTM组合预测模型

针对CPI时序数据的非线性特征以及传统的统计预测方法、神经网络的不足,文章提出LASSO-IPSO-LSTM组合预测模型。以2011年1月至2020年12月我国CPI月度数据为研究对象,运用LASSO方法筛选出对CPI产生显著影响的指标,利用改进PSO算法优化LSTM网络的超参数,进而构建组合模型对CPI数据进行预测。结果表明,LASSO-IPSO-LSTM组合预测模型的预测误差均小于其他模型,且平均绝对百分比误差仅为0.53%,说明该模型具有良好的泛化能力,可为准确预测CPI提供一种稳定而有效的方法。

基于Lasso方法的上海经济增长影响因素实证研究

文章从国际环境、国内宏观环境和上海市局部环境中共选取12个主要影响因素作为变量,运用Lasso变量选择的方法,对影响上海市经济增长的这些主要影响因素进行了实证研究,从而揭示上海现阶段发展经济的优势与劣势。

基于增量学习和Lasso融合的数据可视化模式识别方法

提出了一种基于增量学习和最小绝对值收缩和选择算子(Lasso)特征选择融合的数据可视化模式识别方法。该方法首先对归一化数据进行一级Lasso筛选特征降维,之后对连续数据进行基于Gini指数的粒化,再送入增量模式学习系统进行增量学习,针对维数大量升高的情况进行Lasso二级特征筛选生成一致模式决策表,生成属性偏序结构图可视化规则发现。数据采用来自UCI的5个数据库,并与分类器KNN,SVM,Adaboost,Random Forest进行分类准确度比较,实验表明,基于该算法的分类精度普遍高于其他分类器水平,且属性偏序结构图可视化层次清晰鲜明。通过增量学习实验设计,得到了准确率、图结构更新和不同比例增量数据的动态关系,其中Pima Indians Diabetes数据学习达到40%时准确率(77.66%)超过Adaboost(75.32%)、SVM(77.27%)、1NN(59.74%)、3NN(75.97%)算法。结果表明该算法进行数据的可视化和模式识别是行之有效的。

基于Lasso法的我国银行体系稳定性影响因素分析

银行体系的稳定性关系到一国的金融安全,进而影响一国整体经济的发展进程。本文通过Lasso变量选择方法,对我国银行体系稳定性影响因素模型的解释变量进行筛选,结果表明实际GDP增长率、CPI增量、汇率、M 2以及外资银行资产占比5个因素对银行体系稳定性影响显著。该结果与以往大多数文献所使用的解释变量基本一致,说明Lasso方法在计量经济学模型变量选择问题中具有实用性和可行性。

基于随机森林的大型公共建筑能耗混合预测模型

针对公共建筑能耗预测模型中影响变量相关性低、冗余性高的问题,提出了基于二氧化碳浓度的公共建筑人员流动率间接测量方法,以提高模型的预测精度,并提出了一种大型公共建筑能耗混合预测模型。首先利用LASSO变量选择算法筛选出与公共建筑能耗相关性高的影响因素,再引入改进的并行排序蚁群优化算法对随机森林预测模型的参数进行优化,进一步提高预测性能。最后,以西安某公共建筑监测数据为例进行预测分析。结果表明,人员流动率对公共建筑能耗预测有着重要的影响,所提模型的泛化能力强、预测精度高,可以为公共建筑节能优化提供有效的数据支撑。

省域生态治理能力与绿色发展效率协调测度研究

从人与自然和谐共生的现代化角度出发,先结合DPSIR模型运用熵值法测度我国30个省份生态治理能力,结合Lasso采用非期望SBM模型(Slack-Based Model)对我国2010~2020年绿色发展效率进行了测度,并计算了绿色发展效率与生态治理的耦合程度。测度发现,整体生态治理能力不高且存在明显差异,我国省份绿色发展效率整体呈现“中部低四周高”的特点,生态治理能力与绿色发展效率的耦合协调程度并不高。为此,提出了降耗降能设备、优化产业结构,以实现更低的污染程度等建议。

基于RNN算法的煤矿井下瓦斯浓度预测研究

煤矿瓦斯事故往往是由瓦斯浓度过高引起的,为使瓦斯浓度保持在安全范围内,利用Lasso回归算法实现瓦斯浓度时间序列的特征选择,并以瓦斯浓度特征集合为对象,建立了基于递归神经网络(RNN)的瓦斯浓度预测模型。以平均绝对百分比误差(MAPE)为性能指标,对RNN算法与SVR和BP神经网络算法模型进行对比分析,结果表明:RNN算法不仅提高了预测精度,而且将相对误差限制在最小范围内,具有更高的稳定性,MAPE可降低到0.305%,预测某矿1206工作面9月28日9:30瓦斯浓度为0.8019%,建议工作人员实时关注该区域瓦斯浓度变化情况并采用必要的防治措施,能够为矿井瓦斯浓度预测提供理论指导。

气溶胶光学厚度估测中的LASSO特征选择方法

气溶胶光学厚度估测中通常利用遥感信息构造的多种特征属性作为输入,然而,这些属性中常常存在数据噪音、相互关联性和缺失值,从而降低了估测精度和估测强健性。针对这个问题,基于最小绝对收缩和选择算子（least absolute shrinkage selection operator,LASSO）方法和气溶胶光学厚度反演的先验知识,提出了一种针对遥感卫星观测的高维数据进行特征选择的方法,利用2009年4月2日至2011年4月1日2a间与全球197个气溶胶地基自动观测网站点时空同步的MODIS（moderate-resolution imaging spectroradiometer）遥感数据,采用常用的人工神经网络作为估测模型进行实验分析,表明该方法能结合反演先验知识对多种异质遥感属性进行分组,通过组间迭代保留关键特征,去除冗余属性,有效进行特征选择,从而显著提高气溶胶光学厚度的估测精度。

基于网络搜索数据的品牌汽车销量预测研究

随着大数据时代的到来,基于网络数据的应用研究已成为热点。以品牌汽车销量预测为目标,将传统相关性分析与基于LASSO的特征选择方法相结合,选取相关品牌的网络搜索数据关键特征,而后建立了LASSO线性回归、支持向量回归和随机森林三种机器学习预测模型,并与传统ARIMA模型进行比较分析。实验结果表明,随机森林模型的预测平均误差为6.4%,比ARIMA模型降低了12.2个百分点,预测结果可为汽车企业生产规划和制定营销方案提供有效的决策支持。

基于LASSO复合分位数回归的钢材力学性能预测

钢材力学性能的提高对于提高钢材品质,充分适应市场需求有重要的意义.研究了热轧带钢的抗拉强度与各生产参数和工艺参数之间的关系,采用基于LASSO的复合分位数回归模型(Composite Quantile Regression,CQR),根据BIC准则选择合适的调整参数,选择出15个有重要影响的变量,建立基于这15个变量的预测模型.结果表明,将数据按70%和30%分成训练集和测试集,得到训练集的百分比误差(MAPE)和均方根误差(RMSE)分别为2.61%和23.42,测试集的百分比误差(MAPE)和均方根误差(RMSE)分别为2.58%和22.52.将本文所用的模型与两种不同的变量选择方法和三种不同的预测模型进行了对比,可得本文中所用的模型计算精度高,模型泛化能力强,为钢产品的设计和优化提供参考。

基于LASSO变量选择与多因子模型的增强型指数基金的构造研究

本文以沪深300指数为研究对象,应用LASSO变量选择方法与多因子模型来研究增强型指数基金的构造。实证结果表明,在样本数据内,基于LASSO变量选择方法与多因子模型所构造的增强型指数基金均能够在追踪基准指数的同时获取超额收益。并且发现基于LASSO变量选择方法构造的增强型指数基金优于多因子模型构造的增强型指数基金。

基于Post-LASSO方法的就医需求多控制变量选择

分析省级层面就医需求的政策变量和交互要素,并控制地区和时间效应的异质性,为精确估计医疗改革效应和医疗机构区域合理布局提供科学依据.以就医需求和就医供给的代理变量、区域特征控制变量建立指标体系,采用Post-double-selection-LASSO方法选择潜在变量及其函数形式.一阶差分、全控制变量和各省标准差集聚三个模型的比较结果显示,标准差集聚模型较好地控制时间趋势和初始差异,证实复杂就医需求的影响因素包括医院规模、医疗业务、医疗价格、区域特征,以及医疗收入和人口密度的交互作用.由此,应考虑不同工具变量的传递路径、不同区域特征及其初始差异和交互要素对就医需求的影响,以实现医疗资源空间均衡化.

基于EMVS-logistic模型的关键因素筛选及风险预测--以糖尿病合并症高血压数据为例

糖尿病是一种慢性疾病,已经成为危害我国人民健康的三大慢性疾病之一.深入对患者糖尿病危险因素与合并症的研究对于早期的糖尿病预防具有重要的影响意义.为解决实际数据中的“维数灾难”问题,利用EM算法贝叶斯变量选择(EMVS)、Lasso变量选择与Logistic回归结合,构建患病风险识别模型,对糖尿病合并症高血压数据集进行关键因素筛选及风险预测.

基于两种统计模型的软件缺陷预测

采集软件研发过程中可能与缺陷有关的过程数据或产品数据,对软件缺陷数量进行预测,达到对软件质量的把控。采用LASSO进行特征值选择确定最佳影响因子集合,采用线性模型和贝叶斯网络模型分别对样本数据进行预测,说明两种模型的因子分析过程和模型构建过程,采用R语言进行编码实现。通过预测结果的对比验证了当数据经过二次主观加工后,采用线性模型的预测结果比贝叶斯网络预测结果更准确。

数字金融发展对企业固定资产投资的影响研究

随着数字金融的发展,企业固定资产投资增长迅速,数字金融发展在多大程度上能够推动企业固定资产投资成为热点话题。本文讨论了数字金融发展对企业固定资产投资的影响程度,主要实证结果如下:总体上看数字金融的发展抑制了企业的固定资产投资,存在促进企业金融化趋势;数字金融发展对企业固定资产投资的影响大致呈倒U型关系;在不同的分位数水平下,数字金融发展对企业固定资产投资的影响不同。随着分位数水平的增加,数字金融发展对企业固定资产投资的影响呈增加趋势。根据相关结论,最后提出促进数字金融发展,服务实体企业经济的建议。

湖南省财政收入影响因素分析及预测——基于Python软件实现

文章以湖南省2010—2019年地方财政收入经济指标数据为样本数据,通过Lasso特征选择影响财政收入的关键因素,再建立单个属性的灰色预测模型,对已被Lasso特征筛选出的2020年各解释变量的值进行预测,最后通过支持向量回归预测模型得出2020年湖南省财政收入。

卷烟市场状态综合评价指数构建

为更加精确地研判区域卷烟市场状态,在保证市场状态的同时做好区域卷烟营销工作,提出构建卷烟市场状态综合评价指数。首先使用Lasso变量选择方法在国家局指标库中选择市场状态,再分别使用熵值法、变异系数法将指标降维为量、价、存三个类别指标,并最终使用几何平均原则构建卷烟市场状态综合评价指数。实证结果表明,使用卷烟市场状态综合评价指数能做到定量评价区域卷烟市场状态,有效提升卷烟市场状态评价准确性。

基于稀疏主元分析的过程监控研究

主元分析(principal component analysis)是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析(sparse principal component analysis)方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程(TE processes)进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。