Module 01 · From Problem to Approach and From Requirements to Collection
Analytic Approach从问题到方法：数据科学方法论 101 – 分析方法
选择正确的分析方法取决于所提出的问题。该过程包括向提问者寻求澄清，以便选择最合适的路径或方法。在本视频中，我们将了解数据科学方法论的第二阶段是如何应用的。
1. 分析方法的选择原则
一旦确定了需要解决的问题，就需要根据业务要求来选择适当的分析方法。这是数据科学方法论的第二阶段。
在对问题建立清晰的理解后，即可选择分析方法，这意味着要识别出哪种类型的模式最能有效解决该问题。
问题类型与分析方法的对应关系
| 提问目标 | 所需方法类型 | 具体方法举例 |
|---|---|---|
| 确定行为的概率 | 预测性方法 | 预测模型 (Predictive Model) |
| 展示关系 | 描述性方法 | 基于事件和偏好的聚类分析 (Clustering) |
| 需要计数/是非回答 | 统计分析/分类方法 | 分类方法 (Classification Approach) (用于预测响应) |
| 了解人类行为 | 关联方法 | 聚类关联方法 (Clustering Association Approaches) |
机器学习 (Machine Learning)
机器学习是一个研究领域，它赋予计算机无需明确编程即可学习的能力。机器学习可用于识别数据中原本难以获取或识别的关系和趋势。
2. 案例研究：应用分析方法
在本次案例研究中，分析团队选择了决策树分类模型 (Decision Tree Classification Model) 来识别导致每位患者不同结果的条件组合。
模型工作机制与风险计算
在这种方法中，通过检查沿着每条路径到叶子节点 (leaf) 的每个节点中的变量，可以得出相应的阈值。
这意味着决策树分类器不仅提供预测结果，还提供该结果的可能性，其依据是每个组中占主导地位的结果（“是”或“否”）的比例。
分析师可以从这些信息中获得每个患者的再入院风险，即结果为“是”的可能性：
- 如果主导结果为“是”：风险即为该叶子节点中“是”患者的比例。
- 如果主导结果为“否”：风险则为 1 减去该叶子节点中“否”患者的比例。
选用决策树分类的原因
之所以选择决策树分类方法来构建充血性心力衰竭 (CHF) 再入院模型，是因为它具有以下优势：
- 易于理解：非数据科学家也能轻松理解和应用，以便对新患者的再入院风险进行评分。
- 临床价值：临床医生可以随时查看是哪些条件导致患者被评为高风险。
- 动态评估：可以在住院期间的不同时间点建立和应用多个模型，从而提供患者风险的动态变化图景，并展示风险如何随着各种治疗的实施而演变。
感谢收看！本视频结束了课程中**“分析方法”**的部分。