基于 LRF 方法的在线短租房源价格特征选择研究

为解决单一特征选择方法的局限性问题,提出 Lasso-RF（LRF）混合特征选择方法,并应用于在线短租房源价格问题研究。基于 Airbnb 房源数据,实验首先通过 Lasso 回归进行特征选择,处理特征之间的多重共线性|然后采用随机森林算法精选剩余特征,最终得到 35 个重要特征,并带入 4 个预测模型中进行比较。结果表明,特征之间的多重共线性会影响随机森林算法对特征重要度的度量|LRF-RF 预测模型与 RF-RF 预测模型相比,评价指标 R2 和 MSE 分别提高了 0.005、0.006,同时运行时间缩短 0.267 秒,表明 LRF 混合特征选择方法优于单一的 RF 特征选择方法。     

现代变量选择方法在青少年近视研究中的应用

通过分析一组医学数据挖掘出影响青少年近视的关键因素,建立青少年近视患病概率预测模型.数据集主要由两部分组成:一是青少年眼睛的医学测量数据,二是由生活学习习惯调查问卷得到的数据.采用几种现代统计学方法,并利用ROC曲线得到较优的患病概率模型.结果表明,性别、眼轴长度、角膜曲率、工作日睡眠时间、不戴眼镜远视力、远距离调节反应等因素对青少年近视有重要的影响作用,并由此建立预测模型.