从NHANES调查数据（2011-2018）分类冠心病风险，并进行全面数据泄露审计和校准检查[P]

GitHub仓库：https://github.com/YouCele/nhanes-chd-classification 我构建了一个项目，使用四个周期的NHANES数据（2011-2012至2017-2018）来预测自报、医生诊断的冠心病，清洗后约有21,500名成人。它比较了逻辑回归、随机森林和梯度提升，训练数据包括人口统计学、血压、身体测量和脂质面板。NHANES有一个问卷部分直接询问其他心血管疾病诊断，如中风、心脏病发作和心绞痛，以及CHD结果本身。如果我包括这些变量，PR-AUC从0.23跳到了0.51。这主要是模型学习到报告一种心血管疾病的人倾向于报告其他疾病，而不是关于真正的风险因素。所以我移除了整个部分，并写出了数据泄露效应有多大，而不是悄悄地删除列。类别加权逻辑回归，因为CHD患病率仅约4%而需要，给出了严重校准错误的原始概率。平均预测风险接近30%，而实际率为4%。我用sigmoid重新校准在开发集上拟合，然后才处理测试集，固定了决策阈值，所以报告的测试指标不是事后调整的。最终结果在保留的测试集上：逻辑回归的ROC-AUC为0.875，PR-AUC为0.239，随机森林和梯度提升结果相似。仅年龄得到0.83 AUC。血压、胆固醇和身体大小解释了大部分剩余的。在选定阈值下的PPV为0.13，所以大多数阳性预测是错误的，考虑到数据中CHD的稀有性，这是预期的，我在报告中直接说明这一点，而不是省略。吸烟状态、糖尿病和血压药物使用不在当前特征中。NHANES有这三项，我只是还没有添加。欢迎提供反馈，特别是在校准步骤或我处理泄露的方式中看起来有误的任何内容。