Scipy relatives Risiko

Die Datenanalyse ist das wichtigste Merkmal des Themas für maschinelles Lernen und Datenwissenschaft. Die Python -Programmierungssprache bietet zahlreiche nützliche Bibliotheken, die mit einigen unglaublichen Funktionen verbunden sind, die für Algorithmen für maschinelles Lernen gut geeignet sind. Im Allgemeinen ist das Risiko das Auftreten von etwas falschem und Risikoanalyse ist die Analyse des mit einem Ereignis verbundenen Risikos. Daher müssen für die Risikoanalyse die negativen und positiven Fälle berücksichtigt werden. Am Ende dieses Artikels können Sie verstehen, was das relative Risiko ist und wie es in einem Python -Programm implementiert werden kann.

Was ist relatives Risiko?

Das relative Risiko ist das Maß für das mit einem Ereignis verbundene Risiko, das in zwei verschiedenen Gruppen auftritt. Zum Beispiel ereignete sich ein bestimmtes Ereignis und sein Einfluss wird in zwei verschiedenen Gruppen beobachtet. Das Maß für das Risiko, das mit dem Ereignis verbunden ist, das in diesen beiden Gruppen stattfindet, ist die Risikoanalyse. Mit anderen Worten, die Risikoanalyse ist das Verhältnis des mit einem Ereignis verbundenen Risikos, das für die Expositionsgruppe zu dem mit demselben Ereignis verbundenen Risiko für die nicht exponierte Gruppe stattgefunden hat. Zum Beispiel ist das relative Risiko, Rückenschmerzen zu entwickeln, bei Arbeitern höher als bei anderen Menschen. Das Risikoanalyse oder das Risikoverhältnis wird berechnet, indem das Risiko in Gruppe eins durch das Risiko in Gruppe zwei geteilt wird. Dies sind die nicht exponierte Gruppe und die exponierte Gruppe.

So finden Sie das relative Risiko in einem Python -Programm?

Wie bereits erwähnt, ist das relative Risiko der Vergleich zwischen zwei Gruppen - eine Gruppe ist der Änderung ausgesetzt und die andere ist nicht der Änderung ausgesetzt. In einfachen Worten ist eine Gruppe die experimentelle Gruppe und die andere die Vergleichsgruppe. Es ähnelt dem Verhältnis der primären Gruppe zur Vergleichsgruppe in zwei Gruppen. Versuchen wir, dies mit einem Beispiel zu verstehen. Angenommen, 100 Patienten haben die gleiche Krankheit, einige von ihnen haben eine neue Medizin und einige von ihnen haben die neue Medizin nicht bekommen. Wenn wir nun die Risikoanalyse überprüfen möchten, benötigen wir die folgende Tabelle:

	Positive Antwort	Negative Reaktion
Versuchsgruppe	43	57
Kontrollierte Gruppe	70	30

Die 43 von 100 von 100 Patienten erhielten neue Medikamente und ihre Gesundheit zeigte eine positive Erholung, während 57 Patienten entweder keine Genesung zeigten oder das Medikament einen schlechten Einfluss auf sie hatte. Andererseits hat eine Gruppe anderer 100 Patienten keine neuen Medikamente erhalten. Dann zeigen 70 von 100 eine gute Genesung, während 30 Patienten entweder keine Genesung oder eine langsame Genesung zeigen. Lassen Sie uns nun das Risiko für die experimentellen und kontrollierten Gruppen berechnen:

	Positive Antwort	Negative Reaktion	Risiko
Versuchsgruppe	43	57	57/100 = 0.57
Kontrollierte Gruppe	70	30	30/100 = 0.30

Während wir das Risiko für beide Gruppen berechnet haben, berechnen wir das relative Risiko. Hier ist die Formel, um das relative Risiko zu berechnen:

Relatives Risiko = experimentelles Risiko/kontrolliertes Risiko
Relatives Risiko = 0.57/0.30 = 1.9

Wir haben jetzt verstanden, was das relative Risiko ist und wie wir es berechnen können. Lassen Sie uns lernen, wie man das relative Risiko mit einer Pythonfunktion findet.

Scipy.Statistiken.Kontingenz.Relative_risk

Die Scipy Library in Python -Programmierungssprache bietet eine relativ_risk -Funktion, die das relative Risiko automatisch und schnell berechnet kann. Die Funktion relative_risk gehört zur Notfallklasse, die es uns ermöglicht, die verschiedenen statistischen Berechnungen durchzuführen, und eine davon ist die relative Risikoberechnung. Die Syntax der relativen Risikofunktion lautet wie folgt:

Betrachten Sie nun jeden Parameter als Abschnitt der Gesamtgruppe, den wir mit Hilfe eines Beispiels erklärt haben. Der Parameter „Experimental_cases“ repräsentiert die experimentelle Gruppe, die der Änderung ausgesetzt ist. Der Parameter „Experimental_total“ repräsentiert die Gesamtelemente der Versuchsgruppe. Der Parameter „Controled_casen“ repräsentiert die Gruppe, die der Änderung nicht ausgesetzt ist. Schließlich repräsentiert der Parameter „Controled_total“ das Gesamtelement der kontrollierten Gruppe. Die Funktion relative_risk gibt das relative_risk float -Attribut zurück. Die Formel dafür lautet wie folgt:

Lassen Sie uns die Funktion relative_risk in einem Python -Programm implementieren, um zu verstehen, wie Sie sie leicht entsprechend Ihrem Bedarf verwenden können.

Beispiel 1:

Die gleichen Informationen, die wir im vorherigen Abschnitt angegeben haben. Dies wird durchgeführt, um Ihnen das Ergebnis zu zeigen, das von der Funktion relative_risk berechnet wird. Betrachten Sie das angegebene Beispielprogramm im folgenden Code -Snippet:

von Scipy.Statistiken.Notfallimport relativ_risk
experimental_casen = 57
experimental_total = 100
Controled_cases = 30
contreled_total = 100
rr = relative_risk (experimental_cases, experimental_total,
Controled_casen, kontrolliert_total)
rr.relative_risk

Die Skipie.Statistiken.Notfallpaket wird in das Programm eingeleitet, um die Funktion relative_risk zu importieren. Die Daten für jeden Parameter werden dann bereitgestellt und jeder Parameter wird an die Funktion relative_risk () übergeben. Schauen wir uns nun das angegebene berechnete Ergebnis im folgenden Snippet an:

Beispiel 2:

Ändern wir die Eingabedaten und sehen Sie das Ergebnis der Funktion relative_risk an. Es hilft uns zu verstehen, wie die Funktion relativ_risk funktioniert. Betrachten Sie das folgende beigefügte Beispielcode -Programm:

von Scipy.Statistiken.Notfallimport relativ_risk
experimental_casen = 53
experimental_total = 100
Controled_cases = 47
contreled_total = 100
rr = relative_risk (experimental_cases, experimental_total,
Controled_casen, kontrolliert_total)
rr.relative_risk

Wie Sie bemerken können, ist das Programm völlig gleich; Nur die Daten werden geändert. Lassen Sie uns das folgende Ergebnis sehen:

Beispiel 3:

Mit der Funktion realTive_risk ermöglicht es uns, das Konfidence_Interval der Daten zu berechnen. Das Confialisieren_Level muss bereitgestellt werden, um das Confialisieren_interval zu berechnen. Betrachten Sie die folgende Stichprobe:

von Scipy.Statistiken.Notfallimport relativ_risk
experimental_casen = 53
experimental_total = 100
Controled_cases = 47
contreled_total = 100
rr = relative_risk (experimental_cases, experimental_total,
Controled_casen, kontrolliert_total)
rr.CONFIFIGY_INTERVAL (CONFIFIGLE_LEVEL = 0.5)

Zunächst wird der relative_risk mit der Funktion relative_risk berechnet und das Ergebnis in der RR -Variablen gespeichert. Die RR -Variable wird dann als Konfidence_Interval -Funktion bezeichnet, indem der Wert Confi dahy_level für das relative Risiko übergeht. Das Vertrauen_interval gibt das niedrige und hohe Vertrauen zurück. Lassen Sie uns die Ausgabe der Funktion Confidence_Interval im Folgenden sehen:

Abschluss

In diesem Artikel haben wir die Details zum Ermitteln des relativen Risikos unter den angegebenen Daten angegeben. Das relative Risiko ist die Berechnung oder der Vergleich von zwei Gruppen. Von ihnen ist einer der Änderung ausgesetzt und der andere ist der Änderung nicht ausgesetzt. Mit Hilfe eines Beispielprogramms haben wir erklärt, wie man das relative Datenrisiko findet. Wir haben auch einige Python -Beispiele demonstriert, um zu zeigen, wie das relative Risiko mit der Funktion relative_risk findet.