阿尔茨海默病数据估计结果
该数据集来自 plos.figshare.com，属于神经系统疾病中的阿尔茨海默病主题，仅含 1 个文件（样例为 Table 6.xls）
基本信息
资源简介
阿尔茨海默病数据估计结果
Estimate results of Alzheimer’s disease data.
该数据集来自 plos.figshare.com，属于神经系统疾病中的阿尔茨海默病主题，仅含 1 个文件（样例为 Table 6.xls）。源站描述围绕隐状态混合线性回归模型下的变量选择问题，介绍贝叶斯自适应组 Lasso 方法、惩罚函数与参数确定、全条件后验分布计算及 Gibbs 算法设计，并提及仿真实验。数据可用于考察阿尔茨海默病相关数据的参数估计效果与模型预测精度（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2023-03-17。
【数据内容】
源站描述（机器翻译，仅供参考）：变量选择一直是统计学中的重要问题。当使用线性回归模型拟合数据时，选择对响应变量有强烈影响的适当解释变量对模型预测精度和解释效果有显著作用。本研究引入贝叶斯自适应组 Lasso 方法，以解决具有隐状态和具有分组结构的解释变量的混合线性回归模型下的变量选择问题。首先，给出隐状态混合线性回归模型的定义。此后，使用贝叶斯自适应组 Lasso 方法确定惩罚函数和参数，然后计算每个参数的全条件后验分布的具体形式。此外，概述了 Gibbs 算法设计。进行了仿真实验
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。数据集 DOI：10.1371/journal.pone.0283100.t006。
【主题与分类】
源站学科分类：Biotechnology、Evolutionary Biology、Biological Sciences not elsewhere classified、Mathematical Sciences not elsewhere classified、Inorganic Chemistry。主题标签：parameter estimation effects、parameter &# 8217、model prediction accuracy、linear regression model、gibbs algorithm design、alzheimer &# 8217、variable selection problem、redthis study introduces、different hidden states、variable selection。本站分类：神经系统疾病/阿尔茨海默病。
【适用方向】
源站学科分类标注为 Biotechnology、Evolutionary Biology、Biological Sciences not elsewhere classified、Mathematical Sciences not elsewhere classified、Inorganic Chemistry。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/Estimate_results_of_Alzheimer_s_disease_data_/22295176
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Li, Yong; Liu, Hefei; Li, Rubing (2023). Estimate results of Alzheimer’s disease data.. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-06-21，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Estimate results of Alzheimer’s disease data.
- DOI：10.1371/journal.pone.0283100.t006
- 发布日期：2023-03-17
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Estimate_results_of_Alzheimer_s_disease_data_/22295176
命令行下载
curl -L -o "Table 6.xls" "https://ndownloader.figshare.com/files/39648490"
文件清单
Table 6.xls（5.63 KB）
文件总体积 5.63 KB（源站 API 实测）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据说明
变量选择一直是统计学中的一个重要问题。当使用线性回归模型拟合数据时，选择对响应变量有强烈影响的适当解释变量对模型预测精度和解释效果具有显著作用。本研究引入贝叶斯自适应组Lasso方法，以解决具有隐藏状态和具有分组结构的解释变量的混合线性回归模型下的变量选择问题。首先，给出了隐状态混合线性回归模型的定义。此后，使用贝叶斯自适应组Lasso方法确定惩罚函数和参数，然后计算每个参数的全条件后验分布的具体形式。此外，概述了Gibbs算法设计。通过模拟实验比较了不同状态下的变量选择和参数估计效果。最后，使用阿尔茨海默病数据集进行应用分析。
结果表明，所提出的方法能够识别来自不同隐藏状态的观测，但在不同状态下变量选择的结果存在明显差异。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0283100.t006（source: https://plos.figshare.com/articles/dataset/Estimate_results_of_Alzheimer_s_disease_data_/22295176）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
