Python梯度提升树、SHAP与递归特征消除构建血栓风险分级预测模型|附代码数据
静脉血栓栓塞症(VTE)构成严峻的公共卫生挑战,早期识别高风险个体是防控关键。本研究利用临床检验数据集 (28,140条记录,214项特征),构建了一套基于梯度提升决策树(Gradient Boosting)的血栓风险预测模型。
静脉血栓栓塞症(VTE)构成严峻的公共卫生挑战,早期识别高风险个体是防控关键。本研究利用临床检验数据集 (28,140条记录,214项特征),构建了一套基于梯度提升决策树(Gradient Boosting)的血栓风险预测模型。
在创新驱动发展战略深入推进的当下,企业研发投入成为经济高质量发展的核心动力,而研发费用加计扣除、高新技术企业税收优惠等政策,既激发了企业创新活力,也催生了部分企业的研发操纵行为。这类通过虚增研发支出、调整会计处理方式套取政策红利的行为,不仅导致创新资源错配,还破坏了市场公平竞争秩序。传统研究多依赖线性回归方法,难以捕捉研发操纵影响因素的非线性关系与交互效应,预测精度和可解释性不足。

技术干货

最新洞察

视频号
This will close in 0 seconds