三维聚类建模


一、三维聚类的建模思路

  1. 目标:用BMI、首次达标孕周、Y染色体浓度等特征,对男胎孕妇进行自动分组(聚类),以便发现数据中的自然分层,为NIPT时点推荐和风险分析提供依据。
  2. 常用方法:K-means聚类、层次聚类(Hierarchical Clustering)等。
  3. 聚类特征选择 :
    • BMI
    • 首次达标孕周
    • 首次达标时的Y染色体浓度(或可选其他特征)

二、数据准备

  • 只保留男胎孕妇
  • 每位孕妇只保留首次Y染色体浓度≥4%的那条记录
  • 选取聚类特征并标准化(统一量纲)

三、Python实现示例(K-means三维聚类)

python 复制代码
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 1. 读取和筛选数据(同前面代码,略)

# 2. 选取聚类特征
features = 首次达标[['孕妇BMI', '检测孕周', 'Y染色体浓度']].copy()

# 3. 标准化
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features)

# 4. K-means聚类(假设分3组,可根据轮廓系数等方法优化K值)
k = 3
kmeans = KMeans(n_clusters=k, random_state=42)
labels = kmeans.fit_predict(features_scaled)
首次达标['聚类标签'] = labels

# 5. 三维可视化
fig = plt.figure(figsize=(8,6))
ax = fig.add_subplot(111, projection='3d')
scatter = ax.scatter(首次达标['孕妇BMI'], 首次达标['检测孕周'], 首次达标['Y染色体浓度'],
                     c=labels, cmap='viridis', s=50)
ax.set_xlabel('孕妇BMI')
ax.set_ylabel('首次达标孕周')
ax.set_zlabel('Y染色体浓度')
plt.title('三维K-means聚类结果')
plt.colorbar(scatter, label='聚类标签')
plt.show()

# 6. 查看每个聚类的中心
centers = scaler.inverse_transform(kmeans.cluster_centers_)
for i, center in enumerate(centers):
    print(f'聚类{i}中心(BMI, 孕周, 浓度):', center)

四、聚类结果解读与应用

  • 每个聚类代表一类孕妇的特征组合(如高BMI+晚达标、低BMI+早达标等)。
  • 可以对每个聚类分别统计最佳NIPT时点、风险等指标。
  • 聚类结果可用于更个性化的NIPT时点推荐。

五、聚类数K的选择

  • 可用肘部法则(Elbow Method)、轮廓系数(Silhouette Score)等方法确定最优K值。

六、写作建议

"采用K-means三维聚类方法,以孕妇BMI、首次Y染色体浓度达标孕周和达标时浓度为特征,将男胎孕妇分为3组。每组的中心特征分别为......,可据此为不同特征孕妇推荐更合理的NIPT检测时点。"


相关推荐
XLYcmy6 小时前
基于大语言模型的智能漏洞检测与修复系统 作品报告评审分析报告 下
机器学习·llm·prompt·api·token·漏洞修复·漏洞检测
在所不辞兄12 小时前
【人工智能驱动的电催化研究-07】CSV文件、路径与可追溯记录
人工智能·深度学习·神经网络·机器学习·有限元·电化学·电催化
硅谷秋水14 小时前
MorphMimic 方法分析
人工智能·机器学习·计算机视觉·机器人
复杂网络与机器学习14 小时前
Meta 重写 K-Means:25 轮压成 2 轮,GPU 快 45 倍
人工智能·算法·数据挖掘
forest_091 天前
多 Agent 协作第二课:交叉验证≠独立验证
人工智能·python·算法·机器学习·prompt·agi
databook1 天前
时间序列数据,先拆规律还是先查异常
python·数据挖掘·数据分析
落羽的落羽1 天前
【C++】C++17的主要特性
linux·服务器·开发语言·c++·算法·机器学习
武子康1 天前
ComfyUI 加载了动作 LoRA,H3-World 的时间绑定就接好了吗?
人工智能·机器学习·claude
在所不辞兄2 天前
为什么在新能源汽车电驱与热管理开发中,AI驱动的数字孪生和数据驱动仿真正在部分替代对物理台架与实车标定的依赖?
人工智能·深度学习·神经网络·算法·机器学习