智慧医学语言基础

雷都

目录

  • 1 第1章 Python编程基础
    • 1.1 搭建 Python的编程环境
      • 1.1.1 本节补充知识
    • 1.2 新建课程目录
    • 1.3 运行Python语言程序
    • 1.4 Python 代码编写规范
    • 1.5 简单的Python代码语句
    • 1.6 数据类型
      • 1.6.1 数字
      • 1.6.2 字符串
      • 1.6.3 列表
      • 1.6.4 元组
      • 1.6.5 集合
      • 1.6.6 字典
    • 1.7 运算符与优先级
      • 1.7.1 算术运算符
      • 1.7.2 比较运算符
      • 1.7.3 逻辑运算符
      • 1.7.4 运算符优先级
    • 1.8 标准库
    • 1.9 (2022预防+2023眼视光)第二次课学习视频(共6个视频)
    • 1.10 （2022预防+2023眼视光）第三次学习视频
  • 2 第2章 程序流程控制及函数
    • 2.1 2.1  程序执行的流程控制
    • 2.2 2.2 选择语句
      • 2.2.1 单分支选择结构
      • 2.2.2 双分支选择结构
      • 2.2.3 多分支选择结构
      • 2.2.4 选择嵌套
    • 2.3 2.3 循环语句
      • 2.3.1 while循环
      • 2.3.2 for循环
      • 2.3.3 range()函数
      • 2.3.4 break和continue
      • 2.3.5 （2022预防+2023眼视光）第四次课学习视频
      • 2.3.6 （2022预防+2023眼视光）第五次课学习视频
    • 2.4 2.4函数
      • 2.4.1 自定义函数
      • 2.4.2 自定义函数的参数传递
      • 2.4.3 lambda函数
      • 2.4.4 常用函数列表
      • 2.4.5 模块
    • 2.5 2.5异常处理
  • 3 第3章 Python 常用包及医学数据统计分析
    • 3.1 3.1 numpy包
      • 3.1.1 3.1.1 numpy的安装及介绍
      • 3.1.2 3.1.2 numpy数组
      • 3.1.3 补充：数组索引
      • 3.1.4 补充：数组的一般运算
      • 3.1.5 补充：numpy对文件的读写
    • 3.2 pandas包
      • 3.2.1 3.2.1 pandas的安装及介绍
      • 3.2.2 3.2.2 pandas的Series数据结构
      • 3.2.3 3.2.3 pandas的DataFrame数据结构
    • 3.3 3.3 matplotlib包
      • 3.3.1 3.3.1 matplotlib的安装及介绍
      • 3.3.2 3.3.2 matplotlib中figure画布及其坐标系统
      • 3.3.3 1. scatter函数
      • 3.3.4 2. plot函数
      • 3.3.5 3. hist函数
      • 3.3.6 4. pie函数
      • 3.3.7 5. bar函数
      • 3.3.8 6. boxplot函数
    • 3.4 3.4 医学数据分析常用指标
      • 3.4.1 3.4.1 集中趋势度分析
      • 3.4.2 3.4.2 离中趋势分析指标
    • 3.5 3.5 相关性分析
      • 3.5.1 3.5.1 基本概念
      • 3.5.2 3.5.2 Pearson（皮尔逊）相关系数
  • 4 第4章 医学数据的获取和可视化
    • 4.1 4.1 二维表格式文件的读取与写入
      • 4.1.1 4.1.1 pandas读取csv文件和excel文件
      • 4.1.2 4.1.2 xlrd库、 xlwt库 和xlutils库
      • 4.1.3 4.1.3 openpyxl
    • 4.2 4.4 【医学案例4-9】：血糖数据的可视化
      • 4.2.1 4.4.1 概述
      • 4.2.2 4.4.2 案例4.2 血糖数据的可视化
  • 5 第5章 线性回归分析及Logistic回归
    • 5.1 5.1 scikit-learn的安装
    • 5.2 5.2 一元线性回归
      • 5.2.1 5.2.1数据导入与清洗
      • 5.2.2 5.2.2 作散点图，选择线性回归模型
      • 5.2.3 5.2.3线性回归模型及参数估计
      • 5.2.4 5.2.4线性回归分析相关函数
    • 5.3 补充：机器学习入门
      • 5.3.1 1. 机器学习概述
        • 5.3.1.1 1-1. 什么是机器学习
        • 5.3.1.2 1-2 机器学习特征
        • 5.3.1.3 1-3 机器学习分类
        • 5.3.1.4 1-4 常用术语
        • 5.3.1.5 1-5 sklearn
      • 5.3.2 2. 线性回归
        • 5.3.2.1 2.1 回归问题
        • 5.3.2.2 2.2 一元线性回归分析
        • 5.3.2.3 2.3 实现步骤(1)
        • 5.3.2.4 2.3 实现步骤(2)
    • 5.4 视频学习
  • 6 第6章 机器学习常见分类与聚类分析
    • 6.1 9.1 scikit-learn简介及安装
      • 6.1.1 9.1.1 scikit-learn简介
      • 6.1.2 9.1.2 scikit-learn的安装
    • 6.2 9.8  k-means聚类算法
5.1 scikit-learn的安装

在统计学中，回归分析（regression analysis）指的是确定两种或两种以上变量间相互依赖的关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。Python中可以通过调用scikit-learn包实现线性回归分析和Logistic回归分析

5.1 scikit-learn的安装

Scikit-learn包依赖函数包numpy、pandas、matplotlib、scipy等，前面已介绍其安装，Scikit-learn包的在windows系统下的安装，可以首先运行命令窗口（WIN+R，输入cmd）,使用如下命令安装：

pip install scikit-learn

本书使用scikit-learn的0.21.3版本，下面介绍回归分析相关算法的应用，