본문 바로가기

분류 전체보기

Linear Regression & Logistic Regression 2020. 3. 1. 21:09 Linear Regression from Text data preprocessing def read_birth_life_data(filename): """ Read in birth_life_2010.txt and return: data in the form of NumPy array n_samples: number of samples """ text = open(filename, 'r').readlines()[1:] data = [line[:-1].split('\t') for line in text] births = [float(line[1]) for line in data] lifes = [float(line[2]) for line in data] data = list(zip(births, lifes)..
Association between severity of depressive symptoms and chronic knee pain in Korean adults aged over 50 years: a cross- sectional study using nationally representative data 2020. 2. 27. 17:00 AbStrACt Objectives : 우울 증상의 유무 및 심각성과 만성 무릎 통증 사이의 관련성을 확인하고자 한다. Design : 후향적 단면 연구 Outcome measures : 참여자들은 만성 무릎 통증이 있는가에 대한 질문에 “예” 또는 “아니오”의 대답을 한다. 우울 증상의 선별 도구로 Patient Health Questionnaire-9 (PHQ-9)$^{1)}$가 사용되었고, 그 점수가 10 이상인 경우 우울군으로 분류한다. 총 527명의 환자들이 무릎에 통증이 있다고 응답했고, 그 중 91명은 우울 증상을 나타냈다. Results : 50세 이상의 한국인의 만성 무릎 통증 유병률은 19.8%이다. 성별, 나이, 흡연, 음주, 교육수준, 가계 소득, 신체 활동, 수면 시간, 동반 질환..
Chap08. 무작위 시험에 대한 몇 가지 논의 2020. 2. 26. 16:24 Sample size 표본수 $\alpha$ : 제1종 오류를 범할 확률, 실제 치료효과의 차이가 없음에도 연구결과 차이가 있다고 결론내릴 확률 $\beta$ : 제2종 오류를 범할 확률, 실제 치료효과의 차이가 있음에도 연구결과 차이가 없다고 결론내릴 확률 검정력 : 1- $\beta$ , 실제 치료효과의 차이가 있고 연가결과 차이가 있다고 옳게 결론내릴 확률, 실제 치료효과의 차이가 있을 때, 연구에서 이 차이를 발견해 낼 확률 무작위 시험에서 표본수 추정을 위한 결정 검증하고자 하는 치료효과의 차이 한 군에서의 치료효과 추정치 통계적 유의수준( $\alpha$ ) 통계 검정력 (1- $\beta$ ) 단측검정 혹은 양측검정 여부 무작위시험 결과 표현 방법 효과(efficacy) = (위약군의 발생률..
Sex differences in the effect of aging on dry eye disease 2020. 2. 26. 13:26 Purpose: 노화는 안구 건조증(DED)에 주요 위험요인이고, 생물의학 연구에서 성별에 따른 차이를 이해하는 것은 매우 중요하다. 하지만, 안구 건조증에서 노화의 영향에 대해 성별 차이에 대한 정보는 거의 없다. 본 연구에서는 안구 건조증에 대한 노화와 다른 위험 요인의 영향이 성별에 따라 어떻게 다른지 알아보았다. Methods: 본 연구는 인구기반 단면조사인 국민건강영양조사(2010-2012)에서 16,824명의 성인을 대상으로 하였다. 안구 건조증은 안과 의사에게 진단받거나 빈번한 안구 건조증인 경우로 정의했다. 안구 건조증의 기초 사회인구학적 요인과 잘 알려진 위험요인을 분석에 포함했다. 선형회귀분석모형과 로지스틱 회귀분석모형으로 안구 건조증의 위험요인에 대한 영향의 성별에 따른 차이를 비교 ..
Make A Dataset 2020. 2. 26. 00:14 tf.data를 이용하여 Dataset 만들기 ## Library import import tensorflow as tf import numpy as np from tensorflow import keras TensorFlow를 이용하여 deep learning model을 학습할 때, input data 및 label을 공급해주기 위하여 tf.data.Dataset을 이용 ## 0에서 19까지 정수가 input data라고 가정 a = np.arange(20) print(a) ## dataset 만들기 ds_tensors = tf.data.Dataset.from_tensor_slices(a) ## 앞 5개 data 확인 data = ds_tensors.take(3) for x in data: print..
chap07. 예방 및 치료효과의 평가: 무작위 시험 2020. 2. 24. 16:30 무작위 시험의 설계 무작위 임상시험은 연구설계의 "gold standard"로 간주될 정도로 가장 높은 질적 수준의 연구설계 Selection of Subjects 연구대상자 선정 연구대상자 선정에 대한 조건이 아주 정확하고 명확하게 설명되고 서면으로 기술되어야 한다. 비교군이 없는 연구 증례연구(case study) 증례(case series) 비교군이 있는 연구 과거대조군(historical control) 현재 치료방법이 사용되지 않았던 과거의 같은 질병을 가지고 있는 환자 자료 이용 설계가 단순하고 사용하기에 매력적 자료의 종류와 질적인 면에서 비교성 떨어질 수 있음 치료 결과의 차이가 치료방법의 차이인지 시간에 따른 다른 요인의 차이 때문인지 알 수 없음 Randomization 무작위할당(확률..
Basic 2020. 2. 24. 10:33 TensorFlow 2.x Basics ML 모델을 개발하고 학습시키는 데 도움이 되는 핵심 오픈소스 라이브러리로 TensorFlow와 Keras는 모두 약 4년전쯤 릴리즈 되었음 (Keras는 2015년 3월, TensorFlow는 2015년 11월). 딥러닝 세계의 관점에서 볼 때, 꽤 오랜시간이라고 볼 수 있음. TensorFlow 1.x + Keras의 문제점 TensorFlow를 사용한다는것은 정적인 계산 그래프 조작을 의미하는 것으로, Imperative 코딩 스타일을 사용하는 프로그래머에게 어렵고 불편한 느낌을 받게 함 TensorFlow API : 매우 강력하면서도 유연하지만 빠른 코드의 작성의 가능성 결여 및 사용법이 어렵고 혼란스러움 Keras: 매우 생산적이고 사용이 쉽지만 유연성 결..
Training Neural Networks 2020. 2. 24. 00:18 Activation Functions Sigmoid $f(x) = \frac{1}{1+e^{-x}}$ S 모형 곡선 인간의 뉴런에서 firing 하는 거랑 비슷하다고 여겨짐 (과거, 현재는 relu) 모든 입력을 0에서 1사이의(squashing) 양수로 출력 (학습속도에 영향(느리게 함)) exp계산이 많이 들어가서 속도 느려짐 saturation → kill the gradients (가장 큰 문제) 결과가 0 중심으로 분포하지 않음 (0~1) w가 모두 양수거나 모두 음수가 됨 우상향 방향으로만 움직여야 하므로 지그재그로 움직이고 따라서 학습이 느려짐 배치단위기 때문에 큰 영향은 없음 exp() → compute expensive (결정적인 문제는 아님) Tanh $f(x) = tanh x = \f..

티스토리툴바