예측모형은 정말 재미있는 것이며 실제에서 활용될 만한 것입니다. 어쩌면 통계학 분야 중 가장 일상생활과 밀접한 영역이라고 할 수도 있고 통계학의 궁극적인 목표 중 하나라고도 생각됩니다. 과거의 데이터를 이용해서 미래를 예측합니다. 다양한 정보들을 동시에 고려하여 현실을 정확히 파악합니다.
다양한 학문 분야에서 활용되는데, 오히려 의학 통계에서는 덜 사용되는 듯합니다. 아니 의학의 어떤 분야에서는 활발히 사용되고 어떤 분야는 전혀 활용되지 않는 듯하기도 합니다. 이 책은 예측모형에 대해 전혀 익숙하지 않은 사람도 예측모형이 무엇인지 알 수 있도록 소개하면서 또 이미 예측모형을 사용하는 분도 다양한 고급 예측모형들을 만들어 보고 공부할 수 있도록 하기 위해 의도적으로 단순화하고, 형식을 통일하여 배치하였습니다. 일관된 형식을 가질 수 있도록 말이죠. 그리고 어떤 예측모형에서 사용되던 https://tinyurl.com/Bayes-Class1을 이용하여 data를 원하는 방식으로 둘로 쪼갤 수 있도록 하였는데 이는 예측모형뿐 아니라, 다른 데이터들도 적당한 비율만큼 쪼개거나 일부만 무작위로 선택할 때 사용할 수 있습니다. 인공신경망 예측모형에서 설명하였던 https://tinyurl.com/confusion-matrix를 이용하면 어떤 예측모형이나 진단 도구에서 나온 두 자료값도 서로 비교할 수 있습니다. https://tinyurl.com/ROC-pretty와 https://tinyurl.com/ROC-pretty2는 ROC를 그리고 비교하는 도구이며 예측모형과 직접 간접으로 관련이 있어서 본문에서 소개하였습니다. 즉, 이들 도구는 어떤 예측모형을 사용하더라도 응용할 수 있는 범용 툴이라고 할 수 있습니다. ? 제목 별로 본문에서 사용했던 툴들을 정리해 보았습니다. NRI쉽게 계산하기 https://tinyurl.com/NRI-predict
아무쪼록 즐거운 공부가 되길 바랍니다. 사용된 예제 파일은 https://tinyurl.com/Prediction-KJH에 첨부되어 있습니다. ...>측정된 값들이 정확하지 않다면 예측 모형도 정확할 수 없습니다. 측정이 불가능한 변수들도 많이 있습니다. 사실 아무리 좋은 예측모형도 예측이 정확할 수 없습니다만, 그냥 자신의 기억과 주관을 사용한 것보다는 객관적이면서 분석 가능한 방법을 통해 경제, 경영, 산업, 의학에 두루두루 쉽게 사용할 수 있게 되기를 바라는 마음에서 예측모형을 가능한 한 쉽게 적용할 수 있도록 만들어 보았습니다.
In God we trust; all others must bring data (protocol and SAS output). W. Deming
저의 강의 슬라이드의 밑에 있는 이 말은 전쟁 후 일본을 재건시키는 데 결정적인 영향을 미쳤고 미국의 산업을 통째로 바꾸는 데 영향을 미쳤던 한 사람의 말입니다.
싸울 날을 위하여 마병을 예비하거니와 이김은 여호와께 있느니라 (잠언 21:31)
사실 우리가 계획하고 예측하는 것은 항상 불완전합니다. 공부할수록 더 많이 느끼게됩니다. 그래서 공부할수록 주관자를 찾게 되나 봅니다.
2019년 4월 5일 감사의 마음으로
Part 1. 몇 가지 예제 01 진단 도구, 예측 도구의 필요성 02 예제 1 한국형 당뇨 진단 모델 ▶ 엑셀로 계산해 보기 ▶ 엑셀로 된 유명한 Framingham ▶ 연속변수를 구간으로 나누기 ▶ 국민건강영양조사 03 예제 2 한국형 당뇨 예측 모델 04 예제 3 심근경색 예측을 위한 모델 ▶ NRI 쉽게 계산하기 05 예제 4 유방암 치료 후 생존율 모델 ▶ 계산식 보급하기 Part 2. 다양한 예측모형 01 베이지안 예측모형 02 인공신경망 예측모형 03 K 근접법 예측모형 04 SVM 예측모형 05 결정나무 예측모형 06 Random Forest 예측모형 07 Bagging 예측모형 08 Gradient boosting 예측모형 09 딥러닝 예측모형 10 로지스틱 회귀분석 예측모형 ▶ 검토와 validation 11 생존 자료의 예측모형 12 선형 회귀분석 예측모형 13 Bayesian Model Averaging 예측모형 14 SVM 예측모형 ▶ 검토와 validation Part 3. 예측모형을 위한 평가 01 예측모형의 현실 02 예제 5 예측모형들의 비교 03 TRIPOD STATEMENT 04 CHARMS checklist 05 PROBAST checklist 06 예측모형의 메타분석Part 1. 몇 가지 예제
01 진단 도구, 예측 도구의 필요성
02 예제 1 한국형 당뇨 진단 모델
▶ 엑셀로 계산해 보기
▶ 엑셀로 된 유명한 Framingham
▶ 연속변...수를 구간으로 나누기
▶ 국민건강영양조사
03 예제 2 한국형 당뇨 예측 모델
04 예제 3 심근경색 예측을 위한 모델
▶ NRI 쉽게 계산하기
05 예제 4 유방암 치료 후 생존율 모델
▶ 계산식 보급하기
Part 2. 다양한 예측모형
01 베이지안 예측모형
02 인공신경망 예측모형
03 K 근접법 예측모형
04 SVM 예측모형
05 결정나무 예측모형
06 Random Forest 예측모형
07 Bagging 예측모형
08 Gradient boosting 예측모형
09 딥러닝 예측모형
10 로지스틱 회귀분석 예측모형
▶ 검토와 validation
11 생존 자료의 예측모형
12 선형 회귀분석 예측모형
13 Bayesian Model Averaging 예측모형
14 SVM 예측모형
▶ 검토와 validation
Part 3. 예측모형을 위한 평가
01 예측모형의 현실
02 예제 5 예측모형들의 비교
03 TRIPOD STATEMENT
04 CHARMS checklist
05 PROBAST checklist
06 예측모형의 메타분석
[서문]
예측모형은 정말 재미있는 것이며 실제에서 활용될 만한 것입니다. 어쩌면 통계학 분야 중 가장 일상생활과 밀접한 영역이라고 할 수도 있고 통계학의 궁극적인 목표 중 하나라고도 생각됩니다.
과거의 데이터를 이용해서 미래를 예측합니다. 다양한 정보들을 동시에 고려하여 현실을 정확히 파악합니다.
다양한 학문 분야에서 활용되는데, 오히려 의학 통계에서는 덜 사용되는 듯합니다. 아니 의학의 어떤 분야에서는 활발히 사용되고 어떤 분야는 전혀 활용되지 않는 듯하기도 합니다.
이 책은 예측모형에 대해 전혀 익숙하지 않은 사람도 예측모형이 무엇인지 알 수 있도록 소개하면서 또 이미 예측모형을 사용하는 분도 다양한 고급 예측모형들을 만들어 보고 공부할 수 있도록 하기 위해 의도적으로 단순화하고, 형식을 통일하여 배치하였습니다. 일관된 형식을 가질 수 있도록 말이죠.
그리고 어떤 예측모형에서 사용되던 https://tinyurl.com/Bayes-Class1을 이용하여 data를 원하는 방식으로 둘로 쪼갤 수 있도록 하였는데 이는 예측모형뿐 아니라, 다른 데이터들도 적당한 비율만큼 쪼개거나 일부만 무작위로 선택할 때 사용할 수 있습니다.
인공신경망 예측모형에서 설명하였던 https://tinyurl.com/confusion-matrix를 이용하면 어떤 예측모형이나 진단 도구에서 나온 두 자료값도 서로 비교할 수 있습니다.
https://tinyurl.com/ROC-pretty와 https://tinyurl.com/ROC-pretty2는 ROC를 그리고 비교하는 도구이며 예측모형과 직접 간접으로 관련이 있어서 본문에서 소개하였습니다.
즉, 이들 도구는 어떤 예측모형을 사용하더라도 응용할 수 있는 범용 툴이라고 할 수 있습니다. ?
제목 별로 본문에서 사용했던 툴들을 정리해 보았습니다.
NRI쉽게 계산하기 https://tinyurl.com/NRI-predict
베이지안 예측모형 https://tinyurl.com/Bayes-Class1
https://tinyurl.com/Bayes-Class2
인공신경망 예측모형 https://tinyurl.com/Neural-Networks-Prediction
https://tinyurl.com/confusion-matrix
K 근접법 예측모형 https://tinyurl.com/Prediction-kNN
SVM 예측모형 https://tinyurl.com/SVM-Prediction
결정나무 예측모형 https://tinyurl.com/Decision-Tree-party
https://tinyurl.com/Decision-Tree-tree
https://tinyurl.com/Decision-Tree-rpart
Random Forest 예측모형 https://tinyurl.com/Random-Forest2
Bagging 예측모형 https://tinyurl.com/Prediction-Bagging
Gradient boosting 예측모형 https://tinyurl.com/Prediction-GBM
딥러닝 예측모형 https://tinyurl.com/Deep-NN
로지스틱 회귀분석 예측모형 https://tinyurl.com/Prediction-Logistic-Regression
? 검토와 validation https://tinyurl.com/confusion-matrix
http://cafe.naver.com/easy2know/6632
https://tinyurl.com/calibration-plot
https://tinyurl.com/classifier-plot
https://tinyurl.com/ROC-pretty
생존 자료의 예측모형 https://tinyurl.com/survival-Prediction
선형 회귀분석 예측모형 https://tinyurl.com/prediction-GLM
https://tinyurl.com/LOWESS2
Bayesian Model Averaging 예측모형 https://tinyurl.com/prediction-BMA
SVM 예측모형 https://tinyurl.com/SVM-Prediction
? 검토와 validation http://tinyurl.com/Taylor-diagram
https://tinyurl.com/matrix-scatterplot1
예측모형의 메타분석 https://tinyurl.com/MA-prediction-model
아무쪼록 즐거운 공부가 되길 바랍니다.
사용된 예제 파일은 http...s://tinyurl.com/Prediction-KJH에 첨부되어 있습니다.
측정된 값들이 정확하지 않다면 예측 모형도 정확할 수 없습니다. 측정이 불가능한 변수들도 많이 있습니다. 사실 아무리 좋은 예측모형도 예측이 정확할 수 없습니다만, 그냥 자신의 기억과 주관을 사용한 것보다는 객관적이면서 분석 가능한 방법을 통해 경제, 경영, 산업, 의학에 두루두루 쉽게 사용할 수 있게 되기를 바라는 마음에서 예측모형을 가능한 한 쉽게 적용할 수 있도록 만들어 보았습니다.
In God we trust; all others must bring data
(protocol and SAS output).
W. Deming
저의 강의 슬라이드의 밑에 있는 이 말은 전쟁 후 일본을 재건시키는 데 결정적인 영향을 미쳤고 미국의 산업을 통째로 바꾸는 데 영향을 미쳤던 한 사람의 말입니다.
싸울 날을 위하여 마병을 예비하거니와
이김은 여호와께 있느니라
(잠언 21:31)
사실 우리가 계획하고 예측하는 것은 항상 불완전합니다. 공부할수록 더 많이 느끼게됩니다. 그래서 공부할수록 주관자를 찾게 되나 봅니다.
2019년 4월 5일
감사의 마음으로
김지형 [저]
저서 [어서와 학술대회는 처음이지]
전체 1개의 구매후기가 있습니다.
1 | [total 1/1]
인터파크도서는 고객님의 단순 변심에 의한 교환과 반품에 드는 비용은 고객님이 지불케 됩니다.
단, 상품이나 서비스 자체의 하자로 인한 교환 및 반품은 무료로 반품 됩니다.
교환 및 반품이 가능한 경우
상품을 공급 받은 날로부터 7일이내 가능 공급받으신 상품의 내용이 표시, 광고 내용과 다르거나 다르게 이행된 경우에는 공급받은 날로부터 3개월 이내, 혹은 그사실을 알게 된 날 또는 알 수 있었던 날로부터 30일 이내 상품에 아무런 하자가 없는 경우 소비자의 고객변심에 의한 교환은 상품의 포장상태 등이 전혀 손상되지 않은 경우에 한하여 가능
교환 및 반품이 불가능한 경우
구매확정 이후(오픈마켓상품에 한함) 고객님의 책임 있는 사유로 상품 등이 멸실 또는 훼손된 경우
(단, 상품의 내용을 확인하기 위하여 포장 등을 훼손한 경우는 제외) 시간이 지남에 따라 재판매가 곤란할 정도로 물품의 가치가 떨어진 경우 포장 개봉되어 상품 가치가 훼손된 경우
다배송지의 경우 반품 환불
다배송지의 경우 다른 지역의 반품을 동시에 진행할 수 없습니다. 1개 지역의 반품이 완료된 후 다른 지역 반품을 진행할 수 있으므로, 이점 양해해 주시기 바랍니다.
중고상품의 교환
중고상품은 제한된 재고 내에서 판매가 이루어지므로, 교환은 불가능합니다.
오픈마켓 상품의 환불
오픈마켓상품에 대한 책임은 원칙적으로 업체에게 있으므로, 교환/반품 접수시 반드시 판매자와 협의 후 반품 접수를 하셔야하며, 반품접수 없이 반송하거나, 우편으로 보낼 경우 상품 확인이 어려워 환불이 불가능할 수 있으니 유의하시기 바랍니다.
배송예정일 안내
인터파크 도서는 모든 상품에 대해 배송완료예정일을 웹사이트에 표시하고 있습니다.
<인터파크 직배송 상품>
상품은 월~토요일 오전 10시 이전 주문분에 대하여 당일 출고/당일 배송완료를 보장하는 상품입니다.
상품은 서울지역/평일 주문분은 당일 출고/익일 배송완료를 보장하며, 서울외지역/평일 주문분의 경우는 오후 6시까지 주문분에 대하여 익일 배송완료를 보장하는 상품입니다. (단, 월요일은 12시까지 주문에 한함)
상품은, 입고예정일(제품출시일)+택배사배송일(1일)에 배송완료를 보장합니다.
~
상품은 유통특성상 인터파크에서 재고를 보유하지 않은 상품으로 주문일+기준출고일+택배사배송일(1일)에 배송완료를 보장합니다.(토/공휴일은 배송기간에 포함되지 않습니다.) ※기준출고일:인터파크가 상품을 수급하여 물류창고에서 포장/출고하기까지 소요되는 시간
<업체 직접배송/오픈마켓 상품>
~
상품은 업체가 주문을 확인하고, 출고하기까지 걸리는 시간입니다. 주문일+기준출고일+택배사배송일(2일)에 배송완료를 보장합니다.(토/공휴일은 배송기간에 포함되지 않습니다.) ※5일이내 출고가 시작되지 않을시, 오픈마켓 상품은 자동으로 주문이 취소되며, 고객님께 품절보상금을 지급해 드립니다.
배송비 안내
도서(중고도서 포함)만 구매하시면 : 배송비 2,000원 (1만원이상 구매 시 무료배송) 음반/DVD만 구매하시면 : 배송비 1,500원 (2만원이상 구매 시 무료배송) 잡지/만화/기프트만 구매하시면 : 배송비 2,000원 (2만원이상 구매 시 무료배송) 도서와 음반/DVD를 함께 구매하시면 : 배송비 1,500원 1만원이상 구매 시 무료배송) 도서와 잡지/만화/기프트/중고직배송상품을 함께 구매하시면 : 2,000원 (1만원이상 구매 시 무료배송) 업체직접배송상품을 구매시 : 업체별로 상이한 배송비 적용
* 세트상품의 경우 부분취소 시 추가 배송비가 부과될 수 있습니다.
* 북카트에서 배송비없애기 버튼을 클릭하셔서, 동일업체상품을 조금 더 구매하시면, 배송비를 절약하실 수 있습니다.
해외배송 안내
인터파크도서에서는 국내에서 주문하시거나 해외에서 주문하여 해외로 배송을 원하실 경우 DHL과 특약으로 책정된 요금표에
의해 개인이 이용하는 경우보다 배송요금을 크게 낮추며 DHL(www.dhl.co.kr)로 해외배송 서비스를 제공합니다. 해외배송은 도서/CD/DVD 상품에 한해 서비스하고 있으며, 다른 상품을 북카트에 함께 담으실 경우 해외배송이 불가합니다.
해외주문배송 서비스는 인터파크 도서 회원 가입을 하셔야만 신청 가능합니다.
알아두세요!!!
도매상 및 제작사 사정에 따라 품절/절판 등의 사유로 취소될 수 있습니다. 오픈마켓업체의 배송지연시 주문이 자동으로 취소될 수 있습니다. 출고가능 시간이 서로 다른 상품을 함께 주문할 경우 출고가능 시간이 가장 긴 기준으로 배송됩니다. 유통의 특성상 출고기간은 예정보다 앞당겨지거나 늦춰질 수 있습니다. 택배사 배송일인 서울 및 수도권은 1~2일, 지방은 2~3일, 도서, 산간, 군부대는 3일 이상의 시간이 소요됩니다.
;)
전체 1개의 구매후기가 있습니다.
1 | [total 1/1] 
교환 및 반품이 가능한 경우 
상품을 공급 받은 날로부터 7일이내 가능 
상품은 월~토요일 오전 10시 이전 주문분에 대하여 당일 출고/당일 배송완료를 보장하는 상품입니다.
상품은 서울지역/평일 주문분은 당일 출고/익일 배송완료를 보장하며,
상품은, 입고예정일(제품출시일)+택배사배송일(1일)에 배송완료를 보장합니다.
~ 
상품은 유통특성상 인터파크에서 재고를 보유하지 않은 상품으로
상품은 업체가 주문을 확인하고, 출고하기까지 걸리는 시간입니다.
