数据划分概览

各方法筛选结果汇总

下表展示每种方法筛选出的变量列表。

各方法选出变量数

Venn 图

各方法筛选结果集合的维恩图，展示各集合数量及交集数量。

变量被选次数热力图

行=自变量，列=筛选方法。绿色=被选中，灰色=未选中。

交集变量详情

逐步回归结果

模型摘要

变量系数表

Nomogram 列线图

模型评价图

Hosmer-Lemeshow 检验

FeatureSelector 使用指南

1. 数据准备 ：选择数据输入方式并指定因变量。支持单文件上传（自动按6:2:2划分）或分别导入训练/验证/测试集。
2. 特征筛选 ：从6种方法中选择>=3种。每种方法在 训练集 上独立运行，选出各自认为重要的变量。
3. 取交集 ：支持严格交集（所有方法都选中）或投票交集（>=N种方法选中）。交集结果作为逐步回归的候选变量。
4. 逐步回归 ：在训练集上进行前向/后向/双向逐步回归，按AIC准则优化模型。
5. 建模评价 ：用逐步回归结果建立Logistic回归模型，在验证集和测试集上评价性能。

6种筛选方法说明

最佳实践建议

• 推荐组合 ：LASSO + Boruta + 互信息（线性多变量 + 非线性多变量 + 非线性单变量）
• 变量数 > 200 时，先用互信息或卡方/t检验粗筛到50-100个，再用LASSO/Boruta精选
• 变量间高度相关（cor > 0.8）时，LASSO会随机保留一个，建议查看相关性矩阵
• 交集后变量 < 3 个时，考虑放宽投票阈值或增加筛选方法
• 逐步回归前检查VIF，VIF > 5 的变量考虑剔除以避免多重共线性