ASD筛查数据驱动的机器学习分类：SVM与Logistic回归实验

本篇研究生课程结业作业是关于机器学习分类方法的研究，主要探讨了支持向量机（SVM）和逻辑回归（Logistic Regression）这两种算法在自闭症频谱障碍（ASD）筛查中的应用。ASD的早期诊断对于减少医疗成本至关重要，但现有数据集的限制使得数据分析复杂，因此作者选择了一个包含20个特征的新数据集来进行研究。 首先，问题描述部分强调了开发有效筛查方法的必要性，由于数据集有限，特别是行为特征相关的非遗传性数据，这为机器学习提供了挑战。作者选择的数据集包含了10个行为特征和10个个人特征，用于识别可能影响ASD的特征并提升分类准确性。 在数据预处理阶段，作者从Autism-Adult-Data.arff文件中提取了数据，并对原始数据进行了清洗。删除了与问题关联度不高的"who正在完成测试"列，以及重复或缺失值过多的"age_desc"、"contry_of_res"和"ethnicity"列。对于"agenumeric"属性，作者处理了异常值383和缺失值，将其替换为0。 接下来，分类实验的核心部分展开。3.1节介绍了使用逻辑回归算法的原因，它作为一种常用的二分类模型，适合处理这种医学筛查问题。逻辑回归的目的是建立一个数学模型，通过对输入特征的线性组合来预测个体是否患有ASD。在3.3节中，作者逐步进行了数据准备、算法改进（如可能的特征工程），然后进行测试和结果验证，最后对整个过程进行了总结。 4.1节中，作者讨论了选择支持向量机（SVM）作为另一种分类方法的理由，SVM特别适合小样本高维数据和非线性决策边界的情况。在SVM部分，作者同样经历了数据准备、算法应用、分类测试，并对比了与逻辑回归的性能差异。 总体来说，这篇报告展示了如何运用机器学习技术，尤其是逻辑回归和支持向量机，来解决自闭症筛查中的数据问题，并通过实验验证了这些方法的有效性和适用性。通过这个实验，学生深入理解了分类算法的工作原理，以及在实际问题中的应用技巧。