摘要：包含Python二分类、生存机器学习预测模型及其解释性的全套代码，附带直播课程详细讲解，代码如何使用，从Python入门，数据预处理到模型构建（包含常见机器学习模型构建、模型调参），以及模型结果可解释性解读（SHAP、LIME）等，全流程直播讲解。

郑老师统计——Python机器学习预测模型及其SHAP解释全套代码附带直播教学课程。

包含Python二分类、生存机器学习预测模型及其解释性的全套代码，附带直播课程详细讲解，代码如何使用，从Python入门，数据预处理到模型构建（包含常见机器学习模型构建、模型调参），以及模型结果可解释性解读（SHAP、LIME）等，全流程直播讲解。

全套代码基于Python，按照已经发表的SCI论文的分析流程编写并整理代码，运行代码就能得到你的SCI。

Python二分类机器学习预测模型及其解释性流程及部分结果

从开始的数据清洗和拆分；

训练集验证集均衡性检验；

单因素、多因素Logistic回归分析结果表格；

多种机器学习模型的构建及优化代码，包含Logistic模型、决策树模型、随机森林、Xgboost、LightGBM、支持向量机、人工神经网络等模型；

模型预测效果验证（包含混淆矩阵，ROC曲线、校准曲线、DCA曲线、所有模型的验证集预测效果）

全模型的SHAP解释。

绘图包括：

①单条ROC、校准曲线、DCA曲线绘制；

②单一模型训练集和测试集曲线绘制；

③训练集、测试集对比基线表格制作；

④所有模型ROC、校准曲线、DCA曲线绘制；

⑤SHAP特征重要性条形图、特征重要性蜂群图、变量相关性及解释性散点图、瀑布图、力图

部分结果展示：

通过运行代码，即可得到以下结果：

变量glucose的直方图和箱线图

混淆矩阵

单条ROC、校准曲线、DCA曲线绘制

所有模型的验证集预测效果（AUC及其95%置信区间、准确率、灵敏度、特异度）

所有模型的ROC曲线汇总图

模型预测shap可解释性阶段

整套代码，从数据处理→模型训练→调参优化→模型验证→图表绘制，完整复现顶刊研究路径。并包含了使用的示例数据，数据准备的指导、相关代码的解释。（全程直播课程讲解）

有兴趣的朋友可以发送“咨询”至医学论文与统计分析微信公众号！

来源：统计医研库