假设我是一名医生，试图预测一个病人心脏病发作的概率，在临床环境中，我的方法是使用逻辑回归，例如：P（HA）= 1/1+e^-（b 0 + b1* 年龄+ b2* 人种+ b3* 性别+......+ bn* 变量_n）。
有没有可能从其他分类模型中获得预测概率？假设我使用XGboost，它在分类方面比逻辑回归有更好的性能。然后我选择了模型中最重要的10个特征。我想获得一个方程，该方程预测知道患者的10个特征的患者将发生心脏病发作？我不想只对患者进行分类，我想得到一个概率，我之所以问这个是因为我想预测高危人群的概率，这对于下面所有的分类模型（线性SVM、KNN、LDA）都是可能的吗？
非常抱歉，如果这听起来像一个愚蠢的问题，但我是相对较新的领域。任何帮助将不胜感激：）
1条答案
按热度按时间t98cgbkg1#
是的，可以从其他分类模型（如XGBoost、线性SVM、KNN、LDA等）中获得预测概率。预测概率通常比仅将观察结果分为两类（即心脏病发作或未发作）中的一种更具信息性。获得概率可以进行更好的风险评估和决策。
例如，在XGBoost中，您可以使用“predict_proba”函数来获得预测概率。此函数返回属于每个类的观测的预测概率。在您的示例中，它将返回患者心脏病发作或未发作的概率。
同样，在线性SVM中，可以将“probability”超参数设置为“True”并使用“predict_proba”函数来获取预测概率。在KNN中，可以使用某些实现（如scikit-learn）中提供的“predict_proba”函数。在LDA中，可以使用Bayes定理来获取预测概率。