[发明专利]信息预测模型及其构建方法、构建装置

说明书

本发明提供了一种信息预测模型及其构建方法、构建装置，信息预测模型构建方法包括：获取样本集；定义事件结果参数和自变量；基于样本集，通过单变量样条回归模型确定出与事件结果参数具有非线性关系的非线性自变量，确定每个非线性自变量的节点数；基于样本集，通过线性回归方式确定出与事件结果参数相关的至少一个线性自变量；基于确定出的非线性自变量、每个非线性自变量的节点数和线性自变量构建出信息预测模型。该技术方案，通过筛选出具有线性或非线性影响的自变量，综合建立出的模型，相比于现有的单独通过线性变量或非线性变量建立的模型而言，使得建立出的模型，大幅度地提升了预测的灵敏度和特异性。

技术领域

本发明涉及信息预测领域，具体而言，涉及一种信息预测模型及其构建方法、构建装置。

背景技术

在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和事件结果参数之间关系进行建模的一种回归分析。而在生物信息学中，线性回归分析法在疾病诊断、疗效预测、预测预后中得到广泛应用。根据事件结局变量类型的不同，线性回归又可以分为可以拟合预后的cox模型和结局为二分类变量的逻辑回归模型。事实上，大多数的线性回归模型有一个重要的假设就是自变量和事件结果参数呈线性关联，这个条件实际很难满足。常见的解决方法是将连续变量分类，但类别数目和节点位置的选择往往带有主观性，并且分类往往会损失信息。因此，一个更好的解决方法是拟合自变量与事件结果参数之间的非线性关系，限制性立方(Restricted cubicspline，RCS)就是分析非线性关系的最常见的方法之一。

而线性回归分析法建立的多元回归模型只能反映多个自变量和事件结果参数中间的单一线性关系，而限制性立方样条只能拟合单一的自变量和事件结果参数之间的非线性关系。因此，单单通过线性回归分析法和限制性立方样条建立的信息预测模型的精度都较低，满足不了日常需求。

因此，如何设计出一种新的能够提高信息预测精度的模型成为目前亟待解决的问题。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

因此，本发明的一个目的在于提供了一种信息预测模型构建方法。

本发明的第二个目的在于提供了一种信息预测模型。

本发明的三个目的在于提供了一种信息预测模型构建装置。

本发明的第四个目的在于提供了一种可读存储介质。

为实现上述目的，本发明第一方面的技术方案提供了一种信息预测模型构建方法，包括：获取样本集；定义事件结果参数和自变量；基于样本集，通过单变量样条回归模型确定出与事件结果参数具有非线性关系的非线性自变量，确定每个非线性自变量的节点数；基于样本集，通过线性回归方式确定出与事件结果参数相关的至少一个线性自变量；基于确定出的非线性自变量、每个非线性自变量的节点数和线性自变量构建出信息预测模型。

根据本发明提供的信息预测模型构建方法，通过筛选出具有线性或非线性影响的自变量，综合建立出的模型，相比于现有的单独通过线性变量或非线性变量建立的模型而言，使得建立出的模型，大幅度地提升了预测的灵敏度和特异性。

进一步地，信息预测模型构建方法，还包括：获取验证集；将验证集代入到构建出的信息预测模型中，并输出预测结果。

进一步地，基于确定出的非线性自变量、每个非线性自变量的节点数和线性自变量构建出信息预测模型的步骤具体包括：使用rmsR包中的rcs函数和lrm函数构建信息预测模型。

进一步地，预测模型为：

f＝as.formula(Z～rcs(X1，knot1)+rcs(X2，knot2)+……+rcs(Xn，knotn)+Y1+Y2+……+Ym)；model＝lrm(f，data＝train，na.action＝na.exclude)；