建议给定尺寸和相应概率的预测进行预测

Question

我是CS毕业生，但对数据科学非常陌生。我可以就我要解决的问题使用一些专家建议/见解。我经历了gaggle.com上的泰坦尼克号教程，我认为这很有帮助，但我的问题有些不同。

我试图根据年龄，性行为和其他因素来预测糖尿病风险： http://www.healthindicators.gov/indicators/diabetes-new-cases-per-per-1000_555/profile/classicdata

数据为每个维度（年龄，性别等）每1000人提供新案例。我想做的是设计一种方法来预测尺寸（年龄，性别等）的列表，是新诊断的概率因素。

到目前为止，我的策略是将这些数据加载到R中，并使用一些软件包来创建决策树，类似于我在Kaggle.com上的泰坦尼克号示例中看到的，然后在维度列表中馈送。但是，我有点不知所措。关于我应该学习的任何方向，包装/方法/示例都会有所帮助。

Answer 1

聚合数据

由于您仅获得了汇总数据，而没有单个示例，因此，诸如决策树之类的机器学习技术并不会真正为您提供太大帮助。这些算法通过查看单个示例中的相关性来获得很大的吸引力。例如，肥胖和40岁以上的风险增加可能比肥胖或40多个个人风险的总和高得多（即效果大于其部分的总和）。汇总数据丢失了此信息。

贝叶斯的方法

但是，在明亮的一面，使用这样的汇总数据非常简单，但需要一些概率理论。如果$ d $是该人是否患有糖尿病和$ f_1，则 ldots，f_n $是您提供的链接的因素，如果我正确地进行数学，我们可以使用公式：$ text {prob {prob }（d | f_1， ldots，f_n） propto frac { prod_ {k = 1}^n text {prog}（d | f_k）} {n-1}} $$（证明这是发现的延伸 这里）。这假定因子$ f_1， ldots，f_n $在有条件地独立给定$ d $，尽管这通常是合理的。要计算概率，请计算$ d = text {diabetes} $和$ neg d = text {no diabetes} $的输出，然后用它们的总和将它们划分为1。

例子

假设我们有一个已婚，48岁的男性。查看2010-2012数据，有0.73％的人患糖尿病（$ text {prog}（d）= 0.73 ％$），有0.77％的已婚人士患糖尿病（$ text {prog}（d | | f_1）$$ = 0.77 ％$），1.02％的年龄45-54糖尿病（$ text {prog}（d | f_2）= 1.02 ％$），男性的0.70％得到糖尿病（$ text {prob}（d | f_3）= 0.70 ％$）。这给我们提供了非正常的概率：$$ begin {align*} p（d | f_1，f_2，f_2，f_3）＆= frac {（0.77 ％）（1.02 ％）（1.02 ％）（0.70 ％）} {（（0.70 ％）} {（ 0.73 ％）^2}＆= 0.0103 p（ neg d | f_1，f_2，f_2，f_3）＆= frac {（99.23 ％）（98.98 ％）（99.30 ％）} {（99.27）{（99.27 ％）^2}＆= 0.9897 end {align*} $$将它们归一化以添加到一个（在这种情况下它们已经这样做），我们有1.03％的机会患糖尿病和98.97％他们没有糖尿病的机会。