这篇文章把Cordic介绍的很清楚。在硬件资源受限的情况下,Cordic确实是计算三角函数的非常优秀的方法,在此也深深佩服发明了Cordic算法的前辈。在现在的DSP/CPU中,由于都已经自带了乘法器,更高效更合适的方法应该是用多项式近似,这时Cordic多级迭代的处理延时又成为了劣势。又验证了那句话,没有最好的,只有最合适的。三角函数计算,Cordic 算法入门三角函数的计
     人类总是痴迷于“算命”。无论是中国文化中的“算命”,还是西方文化中的“占星术”,都显示出人们对此的热情。在这一部分,我们将讨论另一种科学的“算命”。该模型将用于评估患者的预后。作为一名肿瘤科医生,在临床实践中你将面临癌症患者提出的诸如“我能活多久”之类的问题。这是一个令人头痛的问题。大多数情况下,我们可以根据相应疾病的临床分期来判断患者的中位生存时间。实际上
生存分析 三大块内容:1,描述性的生存率、中位生存期、生存曲线等,常用Kaplan-meier法2,比较分析两组的生存曲线是否有差别,log-rank检验(单个因素)3,cox比例风险回归类似logistic回归,多个变量对Y的影响,得到一个概率值,只不过加了时间多花点时间聊聊cox的感受 首先理解一个概念风险函数(hazard function)h(t)=f(t)/S(t) 
#简单线性回归: ##常用绘图: fit<-lm(weight~height,data=women) summary(fit) plot(women$height,women$weight,xlab="Height (in inches)",ylab="Weight (in pounds)") abline(fit) fit2<-lm(mpg~wt+I(wt^2),data
我们既往已经在文章《手把手教你使用R语言制作临床决策曲线》介绍了怎么使用rmda包制作了临床决策曲线,但是rmda包只能制作logistic回归模型的临床决策曲线,原来制作COX回归模型的stdca包R上下载不到。有粉丝留言向我推荐了ggDCA包,今天来演示一下怎么使用ggDCA包制作COX回归模型临床决策曲线。 ggDCA包由我们R语言大神,南方医科大学的博导Y叔制作,使用ggDCA包可以制作l
转载 2023-07-31 10:49:03
224阅读
今天要给大家分享的文章是Cone EB, Marchese M, Paciotti M, Nguyen DD, Nabi J, Cole AP, Molina G, Molina RL, Minami CA, Mucci LA, Kibel AS, Trinh QD. Assessment of Time-to-Treatment Initiation and Survival in a Coho
0X01 前言变量之间关系可以分为两类:函数关系:反映了事务之间某种确定性关系相关关系:两个变量之间存在某种依存关系,但二者并不是一一对应的;反映了事务间不完全确定关系;相关系数(r)可以衡量这种相关关系。r的取值范围是[-1,1],r=1表示完全正相关!r=-1表示完全负相关!r=0表示完全不相关。为什么要对相关系数进行显著性检验?1)实际上完全没有关系的变量,在利用样本数据进行计算时也可能得到
Cox比例风险模型(cox proportional-hazards model),简称Cox模型是由英国统计学家D.R.Cox(1972)年提出的一种半参数回归模型。该模型以生存结局和生存时间为应变量,可同时分析众多因素对生存期的影响,能分析带有截尾生存时间的资料,且不要求估计资料的生存分布类型Cox模型的基本假设为:在任意一个时间点,两组人群发生时间的风险比例是恒定的;或者说其危险曲线应该是成
各位芝士好友,今天我们来聊一聊lasso回归算法。与预后有关的文章,传统的做法一般会选择多变量cox回归,高级做法自然就是我们今天的lasso分析。 首先我们先来几篇文献,看一下lasso最近发的两篇文章,如下:                         &nbs
欢迎关注”生信修炼手册”!在生存分析中,探究生存时间的影响因素是一个重要的研究内容,通过KM和log-ran
原创 2022-06-21 09:22:10
1796阅读
本文主要介绍从logistic回归到双层神经网络,再到多层神经网络的主要步骤的代码实现,篇幅有限,暂不涉及原理与公式推导:一、logistic回归logistic回归的过程如下所示(本文不再赘述):logistic回归的主要代码实现如下所示:正向传播:正向传播的公式如下:,其中,其中代码实现如下:A = sigmoid(np.dot(w.T,X)+b)计算损失:交叉熵损失函数公式如下:代码实现如下
在使用SPSS进行COX回归分析时,不仅需要逐个变量选入单因素回归,还需要从冗长的输出结果中找到我们要的HR值、95%CI、P值。实际生活中,我们遇到的数据,又通常都有十几个变量,工作量可以说比较大了!更别提分析完毕后,还要整合三线表,添加表头与脚注,整理格式......,令人心累!因此,在这里为大家介绍一个可以快速整合SPSS分析结果的统计小工具——风暴统计!这是由浙江中医药大学郑卫军教授开发的
基因组规模上的聚合数据类型的相似性网络融合(本文是对similarity network fusion for aggregating data types on a genomic scale 整体文章的翻译,对于后面理论公式部分可以参照该朋友的笔记)摘要近期的技术已经使收集不同类型的全基因组数据十分划算,结合这些数据去创建一个给定的疾病或生物过程的一个全面视图的计算方法是有必要的。相似网络融合
Cox比例风险模型(考克斯,1972年)基本上是常用的统计在医学研究调查的患者和一个或多个预测变量的存活时间之间的关联回归模型。在本文中,我们将描述Cox回归模型,并提供使用R软件的实例。需要进行多元统计建模在临床研究中,有许多情况下,几个已知量(称为协变量)可能影响患者。统计模型是一个经常使用的工具,可以同时分析多个因素的生存情况。另外,统计模型提供了每个因素的效应大小。Cox比例风险模型的基
转载 2023-07-04 20:58:49
3954阅读
1、哑变量的概念   在构建回归模型时,如果自变量X为连续性变量,回归系数β可以解释为:在其他自变量不变的条件下,X每改变一个单位,所引起的因变量Y的平均变化量;如果自变量X为二分类变量,例如是否饮酒(1=是,0=否),则回归系数β可以解释为:其他自变量不变的条件下,X=1(饮酒者)与X=0(不饮酒者)相比,所引起的因变量Y的平均变化量。   但是,当自变量X为多分类变量时,例如职业、学历、血型
Box-Cox变换详解 目录Box-Cox变换详解1 什么是 Box-Cox变换2 用python进行Cox-Box变换2.1 变换代码2.2 逆变换3 Box-Cox变换和其它归一化方法的区别3.1 box-cox变换3.2 其他归一化方法4 Box-Cox变换的优点与缺点4.1 优点4.2 缺点5 box-cox对模型性能的下提升 1 什么是 Box-Cox变换box-cox变换是一种广泛应用
# R语言 cox回归IDI ## 介绍 Cox回归是一种广泛应用于生存分析的统计模型。它可以用于估计危险比例(Hazard Ratio),评估某个变量对生存时间的影响。而IDI(Integrated Discrimination Improvement)是一种用于评估模型性能改进的指标。本文将介绍如何使用R语言进行Cox回归分析,并计算IDI指标。 ## 数据准备 我们首先需要准备一个包含生
原创 2023-09-07 05:44:02
162阅读
在生存分析中,探究生存时间的影响因素是一个重要的研究内容,通过KM和log-rank test检验的方法,只能够处理单个二分类因素的生存数据。当想探究多个因素或者离散型变量对生存时间的影响时,我们就需要借助于cox回归方法。cox回归的全称如下cox proportional hazards regression model称之为cox等比例风险回归模型, 对应的公式如下将上述公式进行log转换,
上次介绍了生存分析中的寿命表、K-M曲线、logrank检验、最佳切点的寻找等,本次主要介绍Cox回归。本推文不涉及理论,只有实操,想要了解生存分析的理论的请自行学习。Cox回归使用survival包中的lung数据集用于演示,这是一份关于肺癌患者的生存数据。time是生存时间,以天为单位,status是生存状态,1代表删失,2代表死亡。rm(list = ls()) library(surviv
 2. 基本原理Logistic Regression和Linear Regression的原理是相似的,按照我自己的理解,可以简单的描述为这样的过程:(1)找一个合适的预测函数(Andrew Ng的公开课中称为hypothesis),一般表示为h函数,该函数就是我们需要找的分类函数,它用来预测输入数据的判断结果。这个过程时非常关键的,需要对数据有一定的了解或分析,知道或者猜测预测函数的
  • 1
  • 2
  • 3
  • 4
  • 5