我10年级，我希望对患者数据使用机器学习模型，以发现一周中的时间与患者依从性之间的相关性。我将一周分为21个时段，一天中的每个时段分别划分为三个时段（1个是周一上午，两个是周一下午，依此类推）。坚持值将是二进制的（0表示未服用药物，1表示已服用药物）。我将为模型模拟训练，验证和测试数据。根据我的理解，我可以使用逻辑回归模型，根据给定时间段的过去数据，在某个时间段输出患者错过服药的可能性。这是因为逻辑回归在给定阈值时会输出二进制值，并且对于处理概率和二进制类别的问题非常有用，这就是我的情况。就我而言，我要处理的两个班级是，他们会吃药，不，他们不会。但是这样做的主要问题是，至少在我看来，该数据将是非线性的。为了更清楚地说明这一点，让我举一个真实的例子。如果患者在星期日早上（时隙19）上瑜伽课，并且倾向于此时忘记服药，则时隙19下的大多数数字将为0，而所有其他时隙将有更多的数字。 1秒目标是创建一个机器学习模型，该模型可以了解给定的过去数据，患者很可能在下一个时隙19错过服药。我相信必须对仍然具有内在线性数据的数据使用逻辑回归分布，但是我不确定。我还了解到神经网络是非线性分布的理想选择，但是神经网络需要大量数据才能正常运行，理想情况下，我的模型的目标是仅用几个星期的数据就能正常运行。当然，任何数据都有更多的模型变得更加准确，但是在我看来，一般而言，神经网络需要成千上万的数据集才能真正变得相当准确。同样，我很可能是错的。
我的问题是，实际上哪种模型类型可以在这里工作。我确实知道我将需要某种形式的监督分类。但是，如果在一周中的某个时间给出依从性，我可以使用逻辑回归进行预测吗？
真的很感谢我的项目任何一般反馈！请记住，我只有15岁，因此我所作的某些陈述可能是错误的，并且我将无法完全理解非常复杂的答复。
我还必须在接下来的两周内完成此操作，因此请不要犹豫，尽快回复！非常感谢！
答案 0 :(得分：0)
在我看来，逻辑回归尚不足以解决此问题，因为您将使用单个参数作为输入。当我想象出针对该问题的决策线时，我认为无法通过单个神经元来实现（逻辑回归）。这样做可能需要更多的神经元，甚至需要几层神经元。为此，您可能需要很多数据集。
答案 1 :(得分：0)
确实，您需要大量数据来应用神经网络。 如果您可以更精确地了解数据集和功能，将会很有帮助。您也可以尝试为您的项目实施K-Means-Clustering。如果您的目的是找出患者是否服药，则可以使用逻辑回归来完成。