修正ESS预测能力前十变量
包含三种分类器通过顺序前向选择方法选出的预测修正内窥镜鼻窦手术的前十变量及其排名得分。
基本信息
资源简介
修正ESS预测能力前十变量
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 1 个文件、合计 5.63 KB，主题涵盖 maximal conservative treatment、emerging research outlines、electronic health records、crswnp ), asthma、5 %) patients，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《The top ten variables in prediction capacity of revision ESS.》。配套论文《Using machine learning for the personalised prediction of revision endoscopic sinus surgery》发表于 PLOS ONE（2022），DOI：10.1371/journal.pone.0267146。源站首次发布：2022-04-29。
【数据内容】
源站原始描述：Three models were used and the classifiers of the three models were the logistic regression, gradient boosting and random forest for predicting revision ESS. We used the sequential forward selection (SFS) method to select the top performing variables. In each SFS run, the best variable was awarded 15 points, the next best variable 14 points and so on. Ten runs were performed using each of the three classifiers. The rank score represents the sum of points (range, 0–150 points)
中文译文（机器翻译，仅供快速理解，请以原文为准）：共使用了三种模型，这三种模型的分类器分别为逻辑回归、梯度提升和随机森林，用于预测修正性ESS。我们使用顺序前向选择（SFS）方法来选择表现最佳的变量。在每次SFS运行中，最佳变量得15分，次佳变量得14分，依此类推。使用三种分类器中的每一种各进行了十次运行。排名分数表示得分总和（范围为0–150分）。
【数据结构与技术规格】
文件数 1 个，合计 5.63 KB。Table 6.xls：application/vnd.ms-excel，5.63 KB。数据集 DOI：10.1371/journal.pone.0267146.t006。
【主题与分类】
源站学科分类：Biochemistry、Medicine、Genetics、Sociology、Mathematical Sciences not elsewhere classified、Developmental Biology。主题标签：maximal conservative treatment、emerging research outlines、electronic health records、crswnp ), asthma、5 %) patients、using machine learning、data collection times、predicting revision ess、using data collected、analysed using。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/The_top_ten_variables_in_prediction_capacity_of_revision_ESS_/19684924
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Nuutinen, Mikko; Haukka, Jari; Virkkula, Paula; Torkki, Paulus; Toppila-Salmi, Sanna (2022). The top ten variables in prediction capacity of revision ESS.. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-06-05，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：The top ten variables in prediction capacity of revision ESS.
- DOI：10.1371/journal.pone.0267146.t006
- 发布日期：2022-04-29
- 文件数：1 个
- 文件总体积：5.63 KB
- 源站页面：https://plos.figshare.com/articles/dataset/The_top_ten_variables_in_prediction_capacity_of_revision_ESS_/19684924
命令行下载
curl -L -o "Table 6.xls" "https://ndownloader.figshare.com/files/34963096"
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
Three models were used and the classifiers of the three models were the logistic regression, gradient boosting and random forest for predicting revision ESS. We used the sequential forward selection (SFS) method to select the top performing variables. In each SFS run, the best variable was awarded 15 points, the next best variable 14 points and so on. Ten runs were performed using each of the three classifiers. The rank score represents the sum of points (range, 0–150 points).
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0267146.t006（source: https://plos.figshare.com/articles/dataset/The_top_ten_variables_in_prediction_capacity_of_revision_ESS_/19684924）。
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。
