分类和回归树方法在定义吸烟高危中小学生中的应用
智慧树知到《人工智能基础》章节测试答案

鏅烘収鏍戠煡鍒般€婁汉宸ユ櫤鑳藉熀纭€銆嬬珷鑺傛祴璇曠瓟妗?绗竴绔?1銆? 绗竴涓嚮璐ヤ汉绫昏亴涓氬洿妫嬮€夋墜銆佺涓€涓垬鑳滀笘鐣屽洿妫嬪啝鍐涚殑浜哄伐鏅鸿兘鏈哄櫒浜烘槸鐢辫胺姝屽叕鍙稿紑鍙戠殑锛堬級銆?A.AlphaGoB.AlphaGoodC.AlphaFunD.Alpha绛旀: AlphaGo2銆?鏃犻渶妫嬭氨鍗冲彲鑷鍥存鐨勪汉宸ユ櫤鑳芥槸锛堬級A.AlphaGo FanB.AlphaGo LeeC.AlphaGo MasterD.AlphaGo Zero绛旀: AlphaGo Zero3銆?涓栫晫涓婄涓€娆℃寮忕殑AI浼氳浜庯紙锛夊勾鍙紑锛孞ohn McCarthy 姝e紡鎻愬嚭鈥淎rtificial Intelligence鈥濊繖涓€鏈A.1954B.1955C.1956D.1957绛旀: 19564銆? 浠ヤ笅鍝簺涓嶆槸浜哄伐鏅鸿兘姒傚康鐨勬纭〃杩帮紙锛?A.浜哄伐鏅鸿兘鏄负浜嗗紑鍙戜竴绫昏绠楁満浣夸箣鑳藉瀹屾垚閫氬父鐢变汉绫绘墍鑳藉仛鐨勪簨B.浜哄伐鏅鸿兘鏄爺绌跺拰鏋勫缓鍦ㄧ粰瀹氱幆澧冧笅琛ㄧ幇鑹ソ鐨勬櫤鑳戒綋绋嬪簭C.浜哄伐鏅鸿兘鏄€氳繃鏈哄櫒鎴栬蒋浠跺睍鐜扮殑鏅鸿兘D.浜哄伐鏅鸿兘灏嗗叾瀹氫箟涓轰汉绫绘櫤鑳戒綋鐨勭爺绌?绛旀: 浜哄伐鏅鸿兘灏嗗叾瀹氫箟涓轰汉绫绘櫤鑳戒綋鐨勭爺绌?5銆? 涓嬮潰涓嶅睘浜庝汉宸ユ櫤鑳界爺绌跺熀鏈唴瀹圭殑鏄紙锛夈€?A.鏈哄櫒鎰熺煡B.鏈哄櫒瀛︿範C.鑷姩鍖?D.鏈哄櫒鎬濈淮绛旀: 鑷姩鍖?6銆?浜哄伐鏅鸿兘鏄爺绌躲€佸紑鍙戠敤浜庢ā鎷熴€佸欢浼稿拰鎵╁睍浜虹殑锛? 锛夌殑鐞嗚銆佹柟娉曘€佹妧鏈強搴旂敤绯荤粺鐨勪竴闂ㄦ柊鐨勬妧鏈瀛︺€?A.鏅鸿兘B.琛屼负C.璇█D.璁$畻鑳藉姏绛旀: 鏅鸿兘7銆? 鍥剧伒娴嬭瘯鐨勫惈涔夋槸锛堬級A.鍥剧伒娴嬭瘯鏄祴璇曚汉鍦ㄤ笌琚祴璇曡€?涓€涓汉鍜屼竴鍙版満鍣?闅斿紑鐨勬儏鍐典笅锛岄€氳繃涓€浜涜缃紙濡傞敭鐩橈級鍚戣娴嬭瘯鑰呴殢鎰忔彁闂€傞棶杩囦竴浜涢棶棰樺悗锛屽鏋滆娴嬭瘯鑰呰秴杩?0%鐨勭瓟澶嶄笉鑳戒娇娴嬭瘯浜虹‘璁ゅ嚭鍝釜鏄汉銆佸摢涓槸鏈哄櫒鐨勫洖绛旓紝閭d箞杩欏彴鏈哄櫒灏遍€氳繃浜嗘祴璇曪紝骞惰璁や负鍏锋湁浜虹被鏅鸿兘銆?B.鎵€璋撶殑鍥剧伒娴嬭瘯灏辨槸鎸囦竴涓娊璞$殑鏈哄櫒锛屽畠鏈変竴鏉℃棤闄愰暱鐨勭焊甯︼紝绾稿甫鍒嗘垚浜嗕竴涓竴涓殑灏忔柟鏍硷紝姣忎釜鏂规牸鏈変笉鍚岀殑棰滆壊銆傛湁涓€涓満鍣ㄥご鍦ㄧ焊甯︿笂绉绘潵绉诲幓銆傛満鍣ㄥご鏈変竴缁勫唴閮ㄧ姸鎬侊紝杩樻湁涓€浜涘浐瀹氱殑绋嬪簭銆?C.鍥剧伒娴嬭瘯鏄竴绉嶇敤鏉ユ贩娣嗙殑鎶€鏈紝瀹冨笇鏈涘皢姝e父鐨勶紙鍙瘑鍒殑锛変俊鎭浆鍙樹负鏃犳硶璇嗗埆鐨勪俊鎭€?D.涓嶅瓨鍦ㄥ浘鐏垫祴璇曟蹇?绛旀: 鍥剧伒娴嬭瘯鏄祴璇曚汉鍦ㄤ笌琚祴璇曡€?涓€涓汉鍜屼竴鍙版満鍣?闅斿紑鐨勬儏鍐典笅锛岄€氳繃涓€浜涜缃紙濡傞敭鐩橈級鍚戣娴嬭瘯鑰呴殢鎰忔彁闂€傞棶杩囦竴浜涢棶棰樺悗锛屽鏋滆娴嬭瘯鑰呰秴杩?0%鐨勭瓟澶嶄笉鑳戒娇娴嬭瘯浜虹‘璁ゅ嚭鍝釜鏄汉銆佸摢涓槸鏈哄櫒鐨勫洖绛旓紝閭d箞杩欏彴鏈哄櫒灏遍€氳繃浜嗘祴璇曪紝骞惰璁や负鍏锋湁浜虹被鏅鸿兘銆?8銆? 涓嬪垪涓嶅睘浜庝汉宸ユ櫤鑳藉娲剧殑鏄紙锛夈€?A.绗﹀彿涓讳箟B.杩炴帴涓讳箟C.琛屼负涓讳箟D.鏈轰細涓讳箟绛旀: 鏈轰細涓讳箟9銆? 璁や负鏅鸿兘涓嶉渶瑕佺煡璇嗐€佷笉闇€瑕佽〃绀恒€佷笉闇€瑕佹帹鐞嗭紱浜哄伐鏅鸿兘鍙互鍍忎汉绫绘櫤鑳戒竴鏍烽€愭杩涘寲锛涙櫤鑳借涓哄彧鑳藉湪鐜板疄涓栫晫涓笌鍛ㄥ洿鐜浜や簰浣滅敤鑰岃〃鐜板嚭鏉ャ€傝繖鏄紙锛夊娲剧殑鍩烘湰鎬濇兂銆?A.杩炴帴涓讳箟B.绗﹀彿涓讳箟C.琛屼负涓讳箟D.閫昏緫涓讳箟绛旀: 琛屼负涓讳箟10銆?鍏充簬浜哄伐鏅鸿兘鐮旂┒鑼冨紡鐨勮繛鎺ヤ富涔夛紝鐩稿叧璁鸿堪涓嶆纭殑鏄紙锛?A.杩炴帴涓讳箟鍘熺悊鏄ā鎷熷ぇ鑴戠缁忕綉缁滃強绁炵粡缃戠粶闂寸殑杩炴帴鏈哄埗涓庡涔犵畻娉曘€?B.杩炴帴涓讳箟鐞嗚璁や负鎬濈淮鍩烘湰鏄缁忓厓銆佷汉鑴戜笉鍚屼簬鐢佃剳锛屽苟鎻愬嚭杩炴帴涓讳箟鐨勫ぇ鑴戝伐浣滄ā寮忋€?C.杩炴帴涓讳箟璧锋簮浜庝豢鐢熷鍜屼汉鑴戞ā鍨嬬殑鐮旂┒銆?D.杩炴帴涓讳箟瀛︽淳鐨勪唬琛ㄤ汉鐗╂湁鍗℃礇鍏?Warren S. McCulloch)銆佺毊鑼?Walter H. Pitts)銆丠opfield銆佸竷椴佸厠鏂?Brooks)銆佺航鍘勫皵(Newell)銆?绛旀: 杩炴帴涓讳箟瀛︽淳鐨勪唬琛ㄤ汉鐗╂湁鍗℃礇鍏?Warren S. McCulloch)銆佺毊鑼?Walter H. Pitts)銆丠opfield銆佸竷椴佸厠鏂?Brooks)銆佺航鍘勫皵(Newell)銆?11銆? 浜哄伐鏅鸿兘(AI)銆佹満鍣ㄥ涔犮€佹繁搴﹀涔犱笁鑰呭叧绯昏杩版纭殑鏄紙锛?A.浜哄伐鏅鸿兘鐮旂┒銆佸紑鍙戠敤浜庢ā鎷熴€佸欢浼稿拰鎵╁睍浜虹被鏅鸿兘鐨勭悊璁恒€佹柟娉曞強搴旂敤锛屽睘浜庝竴闂ㄧ嫭绔嬬殑鎶€鏈绉戙€?B.鏈哄櫒瀛︿範涓撻棬鐮旂┒璁$畻鏈烘€庢牱妯℃嫙浜虹被鐨勫涔犺涓猴紝浠ヨ幏鍙栨柊鐨勭煡璇嗗拰鎶€鑳斤紝閲嶆柊缁勭粐宸叉湁鐨勭煡璇嗙粨鏋勪互瀹屽杽鑷韩鐨勬€ц兘锛屼絾鏄満鍣ㄥ涔犺兘鍔涘苟闈濧I绯荤粺鎵€蹇呴』鐨勩€?C.浜哄伐鏅鸿兘鏄竴闂ㄧ爺绌躲€佸紑鍙戠敤浜庢ā鎷熴€佸欢浼稿拰鎵╁睍浜虹被鏅鸿兘鐨勭悊璁恒€佹柟娉曞強搴旂敤鐨勬柊鐨勪氦鍙夊绉戯紝鏈哄櫒瀛︿範鏄汉宸ユ櫤鑳界殑鏍稿績鐮旂┒閭诲煙涔嬩竴锛屾繁搴﹀涔犳槸鏈哄櫒瀛︿範鐨勬柊棰嗗煙锛岀爺绌跺闅愬眰澶氭劅鐭ュ櫒銆佹ā鎷熶汉鑴戣繘琛屽垎鏋愬涔犵殑浜哄伐绁炵粡缃戠粶銆?D.娣卞害瀛︿範鏂规硶鐮旂┒浜哄伐绁炵粡缃戠粶鐨勫崟灞傛劅鐭ュ櫒瀛︿範缁撴瀯銆?绛旀: 浜哄伐鏅鸿兘鏄竴闂ㄧ爺绌躲€佸紑鍙戠敤浜庢ā鎷熴€佸欢浼稿拰鎵╁睍浜虹被鏅鸿兘鐨勭悊璁恒€佹柟娉曞強搴旂敤鐨勬柊鐨勪氦鍙夊绉戯紝鏈哄櫒瀛︿範鏄汉宸ユ櫤鑳界殑鏍稿績鐮旂┒閭诲煙涔嬩竴锛屾繁搴﹀涔犳槸鏈哄櫒瀛︿範鐨勬柊棰嗗煙锛岀爺绌跺闅愬眰澶氭劅鐭ュ櫒銆佹ā鎷熶汉鑴戣繘琛屽垎鏋愬涔犵殑浜哄伐绁炵粡缃戠粶銆?12銆? 鏀寔鍚戦噺鏈哄彲浠ョ湅浣滄槸鍏锋湁涓€灞傞殣钘忓眰鐨勭缁忕綉缁溿€傛敮鎸佸悜閲忔満鐨勭悊璁哄熀纭€鏄紙锛?A.缁熻瀛?B.鐢熺墿绁炵粡瀛?C.瑙嗚鐢熺悊瀛?D.鎺у埗璁篠绛旀: 缁熻瀛?13銆? 娣卞害瀛︿範灞炰簬锛堬級A.绗﹀彿涓讳箟B.杩炴帴涓讳箟C.琛屼负涓讳箟D.閫昏緫涓讳箟绛旀: 杩炴帴涓讳箟14銆?璁$畻鏈鸿瑙夊彲搴旂敤浜庝笅鍒楀摢浜涢鍩燂紙锛夈€?A.瀹夐槻鍙婄洃鎺ч鍩?B.閲戣瀺棰嗗煙鐨勪汉鑴歌瘑鍒韩浠介獙璇?C.鍖荤枟棰嗗煙鐨勬櫤鑳藉奖鍍忚瘖鏂?D.鏈哄櫒浜?鏃犱汉杞︿笂浣滀负瑙嗚杈撳叆绯荤粺E.浠ヤ笂鍏ㄦ槸绛旀: 浠ヤ笂鍏ㄦ槸15銆? 涓嬪垪涓嶇鍚堢鍙蜂富涔夋€濇兂鐨勬槸锛堬級A.婧愪簬鏁扮悊閫昏緫B.璁や负浜虹殑璁ょ煡鍩哄厓鏄鍙?C.浜哄伐鏅鸿兘鐨勬牳蹇冮棶棰樻槸鐭ヨ瘑琛ㄧず銆佺煡璇嗘帹鐞?D.璁や负鏅鸿兘涓嶉渶瑕佺煡璇嗐€佷笉闇€瑕佽〃绀恒€佷笉闇€瑕佹帹鐞?绛旀: 璁や负鏅鸿兘涓嶉渶瑕佺煡璇嗐€佷笉闇€瑕佽〃绀恒€佷笉闇€瑕佹帹鐞?16銆? 涓嶅睘浜庤嚜鐒惰瑷€澶勭悊鐨勬牳蹇冪幆鑺傜殑鏄紙锛?A.鐭ヨ瘑鐨勮幏鍙栦笌琛ㄨ揪B.鑷劧璇█鐞嗚ВC.鑷劧璇█鐢熸垚D.璇煶璇箟璇嗗埆绛旀: 璇煶璇箟璇嗗埆17銆?浜哄伐鏅鸿兘鐨勮繎鏈熺洰鏍囧湪浜庣爺绌舵満鍣ㄦ潵锛? 锛夈€?A.瀹屽叏浠f浛浜虹被B.鍒堕€犳櫤鑳芥満鍣?C.妯′豢鍜屾墽琛屼汉鑴戠殑鏌愪簺鏅哄姏鍔熻兘D.浠f浛浜鸿剳绛旀: 妯′豢鍜屾墽琛屼汉鑴戠殑鏌愪簺鏅哄姏鍔熻兘绗簩绔?1銆?涓嬪垪鍝竴涓槸鈥滃垎绫烩€濅换鍔$殑鍑嗙‘鎻忚堪锛? 锛夈€?A.棰勬祴姣忎釜椤圭洰瀹為檯鐨勫€?B.瀵规瘡涓」鐩繘琛屾帓搴?C.涓烘瘡涓」鐩垎閰嶄竴涓被鍒?D.鍙戠幇姣忎釜绌洪棿涓緭鍏ョ殑鎺掑竷绛旀: 涓烘瘡涓」鐩垎閰嶄竴涓被鍒?2銆?涓嬪垪瀵逛簬鍒嗙被姒傚康鎻忚堪涓嶆纭殑鏄紙锛?A.鍒嗙被鐨勬蹇垫槸鍦ㄥ凡鏈夋暟鎹殑鍩虹涓婂浼氫竴涓垎绫诲嚱鏁版垨鏋勯€犲嚭涓€涓垎绫绘ā鍨嬶紙鍗虫垜浠€氬父鎵€璇寸殑鍒嗙被鍣?Classifier)锛夈€?B.鍒嗙被鐨勬柟娉曞寘鍚喅绛栨爲銆侀€昏緫鍥炲綊銆佹湸绱犺礉鍙舵柉銆佺缁忕綉缁滅瓑绠楁硶C.鍒嗙被鐨勬爣鍑嗙粺涓€D.鍒嗙被鐨勭粨鏋滄湁鍙兘閿欒銆?绛旀: 鍒嗙被鐨勬爣鍑嗙粺涓€3銆? 鍦ㄦ満鍣ㄥ涔犻鍩燂紝鍒嗙被鐨勭洰鏍囨槸鎸囷紙锛夈€?A.灏嗗叿鏈夌浉浼肩壒寰佺殑瀵硅薄鑱氶泦B.灏嗗叿鏈夌浉浼煎舰鐘剁殑瀵硅薄鑱氶泦C.灏嗗叿鏈夌浉浼煎€肩殑瀵硅薄鑱氶泦D.灏嗗叿鏈夌浉浼煎悕绉扮殑瀵硅薄鑱氶泦绛旀: 灏嗗叿鏈夌浉浼肩壒寰佺殑瀵硅薄鑱氶泦4銆? 涓ょ浠ヤ笂锛堜笉鍚袱绉嶏級鐨勫垎绫婚棶棰樿绉颁负锛堬級銆?A.浜屽垎绫?B.澶氬垎绫?C.鍒嗙被鍣?D.褰掍竴鍖?绛旀: 澶氬垎绫?5銆? 澶氬垎绫婚棶棰樺彲浠ユ媶鍒嗕负鑻ュ共涓€屽垎绫讳换鍔℃眰瑙o紝鍙噰鍙栫殑鎷嗗垎绛栫暐鍖呮嫭锛氾紙锛?A.涓€瀵逛竴B.涓€瀵瑰C.澶氬澶?D.浠ヤ笂鍧囧彲绛旀: 浠ヤ笂鍧囧彲6銆? 鏈夊叧鍒嗙被鍣ㄧ殑鏋勯€犲拰瀹炴柦姝ラ鎻忚堪閿欒鐨勬槸锛氾紙锛?A.閫夊畾鏍锋湰锛屽皢鎵€鏈夋牱鏈垎鎴愯缁冩牱鏈拰娴嬭瘯鏍锋湰涓ら儴鍒嗭紱B.鍦ㄨ缁冩牱鏈笂鎵ц鍒嗙被鍣ㄧ畻娉曪紝鐢熸垚鍒嗙被妯″瀷锛?C.鍦ㄨ缁冩牱鏈笂鎵ц鍒嗙被妯″瀷锛岀敓鎴愰娴嬬粨鏋滐紱D.鏍规嵁棰勬祴缁撴灉锛岃绠楀繀瑕佺殑璇勪及鎸囨爣锛岃瘎浼板垎绫绘ā鍨嬬殑鎬ц兘銆?绛旀: 鍦ㄨ缁冩牱鏈笂鎵ц鍒嗙被妯″瀷锛岀敓鎴愰娴嬬粨鏋滐紱7銆? 鍒嗙被鍣ㄦ槸鍩轰簬鐜版湁鏁版嵁鏋勯€犲嚭涓€涓ā鍨嬫垨鑰呭嚱鏁帮紝浠ュ皢鏁版嵁搴撲腑鐨勬暟鎹槧灏勫埌缁欏畾绫诲埆锛屼粠鑰屽彲浠ュ簲鐢ㄤ簬鏁版嵁棰勬祴銆傚父鍖呭惈浠ヤ笅姝ラ锛氣憼鍦ㄨ缁冩牱鏈笂鎵ц鍒嗙被鍣ㄧ畻娉曪紝鐢熸垚鍒嗙被妯″瀷銆? 鈶″湪娴嬭瘯鏍锋湰涓婃墽琛屽垎绫绘ā鍨嬶紝鐢熸垚棰勬祴缁撴灉銆? 鈶㈤€夊畾鏍锋湰锛堝寘鍚鏍锋湰鍜岃礋鏍锋湰锛夛紝灏嗘墍鏈夋牱鏈垎鎴愯缁冩牱鏈拰娴嬭瘯鏍锋湰銆傗懀鏍规嵁棰勬祴缁撴灉锛岃绠楀繀瑕佺殑璇勪及鎸囨爣锛岃瘎浼板垎绫绘ā鍨嬬殑鎬ц兘銆傛瀯閫犲拰瀹炴柦鍒嗙被鍣ㄧ殑姝g‘椤哄簭涓猴紙锛?A.鈶犫憽鈶⑩懀B.鈶⑩憼鈶♀懀C.鈶b憼鈶♀憿D.鈶♀憿鈶犫懀绛旀: 鈶⑩憼鈶♀懀8銆?涓嬪垪绠楁硶涓紝涓嶈兘澶熷缁欏畾鏍锋湰杩涜鍒嗙被鐨勬槸锛? 锛夈€?A.鍐崇瓥鏍戠畻娉?B.閫昏緫鍥炲綊绠楁硶C.姊害涓嬮檷绠楁硶D.绁炵粡缃戠粶绛旀: 姊害涓嬮檷绠楁硶9銆? 鍦ㄦ祴璇曟牱鏈笂鎵ц鍒嗙被妯″瀷锛屽彲浠ワ紙锛夈€?A.鍖哄垎姝f牱鏈?B.鍖哄垎璐熸牱鏈?C.鐢熸垚棰勬祴缁撴灉D.鐢熸垚鍒嗙被妯″瀷绛旀: 鐢熸垚棰勬祴缁撴灉10銆? SVM鏄竴绉嶅吀鍨嬬殑锛堬級妯″瀷A.鎰熺煡鏈?B.绁炵粡缃戠粶C.浜岀被鍒嗙被D.鑱氱被绛旀: 浜岀被鍒嗙被11銆? 鍏充簬鏍囨敞锛屼笅鍒楄娉曟纭殑鏄?A.鍦⊿VM涓紝璁粌闆嗙殑鏁版嵁鏄粡杩囨爣娉ㄧ殑B.鍦⊿VM涓紝娴嬭瘯闆嗙殑鏁版嵁涓嶇敤鏍囨敞C.鍦⊿VM涓紝璇嗗埆鐩爣鐨勬暟鎹槸缁忚繃鏍囨敞D.浠ヤ笂閮戒笉瀵?绛旀: 鍦⊿VM涓紝璁粌闆嗙殑鏁版嵁鏄粡杩囨爣娉ㄧ殑12銆? 澧炲姞鍒嗙被鍣ㄨ缁冮泦鐨勬璐熸牱鏈泦鏁伴噺锛堬級A.涓嶅ソ璇?B.浼氭彁楂樺垎绫诲櫒鏁堟灉C.杩橀渶瑕佸鍔犳祴璇曢泦鐨勬璐熸牱鏈泦鏁伴噺鎵嶈兘鎻愰珮鍒嗙被鍣ㄦ晥鏋?D.涓嶄細鎻愰珮鍒嗙被鍣ㄦ晥鏋?E.浠ヤ笂鍏ㄦ槸绛旀: 涓嶅ソ璇?13銆? 鎶婃牱鏈墍灞炵殑绫诲瀷鍜屾牱鏈疄鐜板搴旇捣鏉ヨ绉颁负()A.娴嬭瘯B.璁粌C.鏍囨敞D.鍒嗙被绛旀: 鏍囨敞14銆? 鍒嗙被鍣ㄦ祴璇曠殑浣滅敤鏄?A.鑾峰緱妫€娴嬬洰鏍囩殑鍒嗙被B.鍒ゆ柇娴嬭瘯闆嗘牱鏈€夋嫨鏄惁鍚堥€?C.鍒ゆ柇娴嬭瘯闆嗘牱鏈爣娉ㄦ槸鍚﹀悎閫?D.妫€楠屽垎绫诲櫒鐨勬晥鏋?绛旀: 妫€楠屽垎绫诲櫒鐨勬晥鏋?15銆? 涓嬪垪鍙欒堪涓叧浜庡綊涓€鍖栦笉姝g‘鐨勬槸锛堬級A.褰掍竴鍖栧悗锛屾墍鏈夊厓绱犲拰涓?B.褰掍竴鍖栧悗锛屾墍鏈夊厓绱犲€艰寖鍥村湪锛?,1锛?C.褰掍竴鍖栧悗锛屾墍鏈夊厓绱犲€艰寖鍥村湪[0,1]D.褰掍竴鍖栦篃琚О涓烘爣鍑嗗寲绛旀: 褰掍竴鍖栧悗锛屾墍鏈夊厓绱犲€艰寖鍥村湪锛?,1锛?16銆佹繁搴﹀涔犱腑锛屽父鐢ㄧ殑褰掍竴鍖栧嚱鏁版槸锛堬級鍑芥暟A.SoftMaxB.SoftMinC.MicroMaxD.MicroMin绛旀:SoftMax绗笁绔?1銆? 鏈夌壒寰侊紝鏃犳爣绛剧殑鏈哄櫒瀛︿範鏄紙锛?A.鐩戠潱瀛︿範B.鍗婄洃鐫e涔?C.鏃犵洃鐫e涔?D.寮哄寲瀛︿範绛旀:C2銆? 鏃犵洃鐫e涔犲彲瀹屾垚浠€涔堜换鍔★紙锛?A.鍒嗙被B.鍥炲綊C.鑱氱被D.鍒嗙被銆佸洖褰掋€佽仛绫?绛旀:C3銆? 瀵绘壘鏁版嵁涔嬮棿鐨勭浉浼兼€у苟灏嗕箣鍒掑垎缁勭殑鏂规硶绉颁负锛堬級A.鍒嗙粍B.鍒嗙被D.鑱氱被绛旀:D4銆? 鐢靛奖鎺ㄨ崘绯荤粺鏄互涓嬪摢浜涚殑搴旂敤瀹炰緥鈶犲垎绫烩憽鑱氱被鈶㈠己鍖栧涔犫懀鍥炲綊锛堬級A.鍙湁鈶?B.鍙湁鈶?C.闄や簡鈶?D.浠ヤ笂閮芥槸绛旀:D5銆? 涓嬪垪涓や釜鍙橀噺涔嬮棿鐨勫叧绯讳腑,鍝釜鏄嚱鏁板叧绯伙紙锛?A.瀛︾敓鐨勬€у埆鍜屼粬鐨勮嫳璇垚缁?B.浜虹殑宸ヤ綔鐜涓庡仴搴?C.瀛╁瓙鐨勮韩楂樺拰鐖朵翰鐨勮韩楂?D.姝f柟褰㈢殑杈归暱鍜岄潰绉?绛旀:D6銆? 鍒濆鍖栭噰鐢ㄩ殢鏈哄垎閰嶇殑K鍧囧€肩畻娉曪紝涓嬮潰鍝釜椤哄簭鏄纭殑锛堬級銆傗憼鎸囧畾绨囩殑鏁扮洰锛? 鈶¢殢鏈哄垎閰嶇皣鐨勮川蹇冿紱鈶㈠皢姣忎釜鏁版嵁鐐瑰垎閰嶇粰鏈€杩戠殑绨囪川蹇冿紱鈶e皢姣忎釜鐐归噸鏂板垎閰嶇粰鏈€杩戠殑绨囪川蹇冿紱鈶ら噸鏂拌绠楃皣鐨勮川蹇冿紱A.鈶犫憽鈶⑩懁鈶?B.鈶犫憿鈶♀懀鈶?C.鈶♀憼鈶⑩懀鈶?D.浠ヤ笂閮戒笉鏄?7銆佷粠鏌愪腑瀛﹂殢鏈洪€夊彇8鍚嶇敺鐢燂紝鍏惰韩楂榵(cm)鍜屼綋閲峺(kg)鐨勭嚎鎬у洖褰掓柟绋嬩负y=0.849x-85.712锛屽垯韬珮172cm鐨勭敺瀛︾敓锛屽張鍥炲綊鏂圭▼鍙互棰勬姤鍏朵綋閲嶏紙锛夈€?A.涓?0.316kgB.绾︿负60.316kgC.澶т簬60.316kgD.灏忎簬60.316kg绛旀:B8銆? 浠ヤ笅涓嶅睘浜庤仛绫荤畻娉曠殑鏄紙锛夈€?A.K鍧囧€肩畻娉?B.AGNES绠楁硶C.DIANA绠楁硶D.鏈寸礌璐濆彾鏂畻娉?绛旀:D9銆? Z绛変簬锛革紝鍒橺涓庯几涔嬮棿灞炰簬锛堬級A.瀹屽叏鐩稿叧B.涓嶅畬鍏ㄧ浉鍏?C.涓嶇浉鍏?D.瀹屽叏涓嶇浉鍏?绛旀:A10銆? 鍥狅細缁忓父鎸戦锛涙灉锛氳韩鏉愮煯灏忋€傝繖缁勫洜銆佹灉涔嬮棿灞炰簬锛堬級鍏崇郴銆?A.瀹屽叏鐩稿叧B.涓嶅畬鍏ㄧ浉鍏?C.涓嶇浉鍏?D.瀹屽叏涓嶇浉鍏?绛旀:B11銆? 锛堬級鏄寚鏍规嵁鈥滅墿浠ョ被鑱氣€濆師鐞嗭紝灏嗘湰韬病鏈夌被鍒殑鏍锋湰鑱氶泦鎴愪笉鍚岀殑缁勩€?A.鑱氱被B.鍥炲綊C.鍒嗙被D.闈炵洃鐫e涔?绛旀:A12銆佺幇娆插垎鏋愭€у埆銆佸勾榫勩€佽韩楂樸€侀ギ椋熶範鎯浜庝綋閲嶇殑褰卞搷锛屽鏋滆繖涓綋閲嶆槸灞炰簬瀹為檯鐨勯噸閲忥紝鏄繛缁€х殑鏁版嵁鍙橀噺锛岃繖鏃跺簲閲囩敤锛堬級锛涘鏋滃皢浣撻噸鍒嗙被锛屽垎鎴愰珮銆佷腑銆佷綆杩欎笁绉嶄綋閲嶇被鍨嬩綔涓哄洜鍙橀噺锛屽垯閲囩敤锛堬級銆?A.绾挎€у洖褰? 绾挎€у洖褰?B.閫昏緫鍥炲綊閫昏緫鍥炲綊C.閫昏緫鍥炲綊绾挎€у洖褰?D.绾挎€у洖褰? 閫昏緫鍥炲綊绛旀:D13銆? 鏈夌壒寰侊紝鏈夐儴鍒嗘爣绛剧殑鏈哄櫒瀛︿範灞炰簬锛堬級銆?A.鐩戠潱瀛︿範B.鍗婄洃鐫e涔?C.鏃犵洃鐫e涔?D.寮哄寲瀛︿範绛旀:B14銆? 涓嬮潰涓や釜涓ゅ畬鍏ㄧ浉鍏崇殑鏄紙锛夈€?A.鍦嗗舰鐨勯潰绉笌鐩村緞B.闀挎柟褰㈢殑闈㈢Н涓庤竟闀?C.瀛╁瓙鐨勮韩楂樹笌鐖朵翰韬珮D.姣忓ぉ鐨勬俯搴﹀拰瀛h妭绛旀:A15銆? 鏈哄櫒瀛︿範鍖呮嫭锛?A.鐩戠潱瀛︿範B.鍗婄洃鐫e涔?C.鏃犵洃鐫e涔?D.寮哄寲瀛︿範绛旀:16銆? 涓や釜鍙橀噺涔嬮棿鐨勫叧绯诲寘鎷細A.瀹屽叏鐩稿叧B.涓嶅畬鍏ㄧ浉鍏?C.涓嶇浉鍏?D.璐熺浉鍏?绛旀:ABC17銆? 涓嬮潰鍝竴涓笉鏄仛绫诲父鐢ㄧ殑绠楁硶锛堬級銆?A.K鍧囧€肩畻娉?B.AGNES绠楁硶C.DIANA绠楁硶D.SVM绠楁硶绛旀:D18銆? AGNES绠楁硶姝ラ姝g‘鐨勬槸锛堬級銆?鈶犲皢姣忎釜鏍锋湰鐗瑰緛鍚戦噺浣滀负涓€涓垵濮嬬皣锛涒憽鏍规嵁涓や釜绨囦腑鏈€杩戠殑鏁版嵁鐐瑰鎵炬渶杩戠殑涓や釜绨囷紱鈶㈤噸澶嶄互涓婄浜屻€佷笁姝ワ紝鐩村埌杈惧埌鎵€闇€瑕佺殑绨囩殑鏁伴噺锛涒懀鍚堝苟涓や釜绨囷紝鐢熸垚鏂扮殑绨囩殑闆嗗悎锛屽苟閲嶆柊璁$畻绨囩殑涓績鐐广€?A.鈶犫憽鈶⑩懀B.鈶犫憽鈶b憿C.鈶犫懀鈶⑩憽D.鈶犫懀鈶♀憿绛旀:B19銆? 涓嬮潰灞炰簬寮哄寲瀛︿範鐨勬槸锛堬級A.鐢ㄦ埛缁忓父闃呰鍐涗簨绫诲拰缁忔祹绫荤殑鏂囩珷锛岀畻娉曞氨鎶婂拰鐢ㄦ埛璇昏繃鐨勬枃绔犵浉绫讳技鐨勬枃绔犳帹鑽愮粰浣犮€?B.绠楁硶鍏堝皯閲忕粰鐢ㄦ埛鎺ㄨ崘鍚勭被鏂囩珷锛岀敤鎴蜂細閫夋嫨鍏舵劅鍏磋叮鐨勬枃绔犻槄璇伙紝杩欏氨鏄杩欑被鏂囩珷鐨勪竴绉嶅鍔憋紝绠楁硶浼氭牴鎹? 濂栧姳鎯呭喌鏋勫缓鐢ㄦ埛鍙兘浼氬枩娆㈢殑鏂囩珷鐨勨€滅煡璇嗗浘鈥濄€?C.鐢ㄦ埛姣忚涓€绡囨枃绔狅紝灏辩粰杩欑瘒鏂伴椈璐翠笂鍒嗙被鏍囩锛屼緥濡傝繖绡囨柊闂绘槸鍐涗簨鏂伴椈锛屼笅涓€绡囨柊闂绘槸缁忔祹鏂伴椈绛夛紱绠楁硶閫氳繃杩欎簺鍒嗙被鏍囩杩涜瀛︿範锛岃幏寰楀垎绫绘ā鍨嬶紱鍐? 鏈夋柊鐨勬枃绔犺繃鏉ョ殑鏃跺€欙紝绠楁硶閫氳繃鍒嗙被妯″瀷灏卞彲浠ョ粰鏂扮殑鏂囩珷鑷姩璐翠笂鏍囩浜嗐€?D.涓や釜鍙橀噺涔嬮棿鐨勫叧绯伙紝涓€涓彉閲忕殑鏁伴噺鍙樺寲鐢卞彟涓€涓彉閲忕殑鏁伴噺鍙樺寲鎵€鎯熶竴纭畾锛屽垯杩欎袱涓彉閲忎箣闂寸殑鍏崇郴绉颁负寮哄寲瀛︿範銆?绛旀:B绗洓绔?1銆佸湪涓€涓缁忕綉缁滈噷锛岀煡閬撴瘡涓€涓缁忓厓鐨勬潈閲嶅拰鍋忓樊鏄渶閲嶈鐨勪竴姝ャ€傚鏋滀互鏌愮鏂规硶鐭ラ亾浜嗙缁忓厓鍑嗙‘鐨勬潈閲嶅拰鍋忓樊锛屽氨鍙互杩戜技浠讳綍鍑芥暟銆傚疄鐜拌繖涓渶浣崇殑鍔炴硶鏄粈涔堬紵锛堬級A.闅忔満璧嬪€硷紝绁堢シ瀹冧滑鏄纭殑B.鎼滅储鎵€鏈夋潈閲嶅拰鍋忓樊鐨勭粍鍚堬紝鐩村埌寰楀埌鏈€浣冲€?C.璧嬩簣涓€涓垵濮嬪€硷紝閫氳繃妫€鏌ヨ窡鏈€浣冲€肩殑宸€硷紝鐒跺悗杩唬鏇存柊鏉冮噸D.浠ヤ笂閮戒笉姝g‘绛旀:C2銆? 1943骞达紝绁炵粡缃戠粶鐨勫紑灞变箣浣溿€夾 logical calculus of ideas immanent in nervous activity銆?鐢憋紙锛夊拰娌冨皵鐗?鐨尐瀹屾垚銆?A.娌冧鸡.楹﹀崱娲涘厠B.鏄庢柉鍩?C.鍞愮撼寰?璧竷D.缃楃礌绛旀:A3銆? 鎰熺煡鏈哄睘浜庯紙锛夈€?A.鐢熺墿绁炵粡缃戠粶B.BP绁炵粡缃戠粶C.鍓嶉绁炵粡缃戠粶D.鍙嶉绁炵粡缃戠粶绛旀:C4銆? 琚О涓衡€滅缁忕綉缁滀箣鐖垛€濆拰鈥滀汉宸ユ櫤鑳芥暀鐖垛€濈殑鏄紙锛夈€?A.杈涢】B.璧竷C.鏄庢柉鍩?D.椴佹灏斿搱鐗?绛旀:A5銆? 鍙嶉绁炵粡缃戠粶鍙堢О鍓嶉缃戠粶銆?A.瀵?B.閿?绛旀:B6銆? 涓嬪垪绁炵粡缃戠粶涓摢绉嶆灦鏋勬湁鍙嶉杩炴帴锛堬級銆?A.寰幆绁炵粡缃戠粶B.鍗风Н绁炵粡缃戠粶C.鎰熺煡鏈?D.閮戒笉鏄?绛旀:A7銆? 瀵逛簬鑷劧璇█澶勭悊闂锛屽摢绉嶇缁忕綉缁滄ā鍨嬬粨鏋勬洿閫傚悎锛燂紙锛夈€?A.澶氬眰鎰熺煡鍣?B.鍗风Н绁炵粡缃戠粶C.寰幆绁炵粡缃戠粶D.鎰熺煡鍣?绛旀:C8銆? 涓鸿В鍐冲崟涓緭鍑虹殑鎰熺煡鏈烘棤娉曡В鍐崇殑寮傛垨闂锛岄渶瑕佺敤鏈夎嚦灏戯紙锛変釜杈撳嚭鐨勬劅鐭ユ満锛?A.2涓?B.3涓?C.4涓?D.5涓?绛旀:A9銆? 浣跨敤鎰熺煡鏈烘ā鍨嬬殑鍓嶆彁鏄紙锛夈€?A.鏁版嵁鏍锋湰灏?B.鏁版嵁绾挎€у彲鍒?C.鏁版嵁绾挎€т笉鍙垎D.鏁版嵁鏍锋湰澶?绛旀:B10銆? 鏈夊叧娴呭眰绁炵粡缃戠粶鐨勮娉曟纭殑鏄紙锛夈€?A.鍚勭缁忓厓鍒嗗眰鎺掑垪B.绁炵粡鍏冧笌鍓嶄竴灞傚強鍚庝竴灞傜殑绁炵粡鍏冪浉杩?C.鏄竴绉嶅崟鍚戝灞傜粨鏋?D.鍚屼竴灞傜殑绁炵粡鍏冧箣闂存病鏈変簰鐩歌繛鎺?绛旀:ACD11銆? 瀵逛簬澶氬眰绁炵粡缃戠粶锛孊P锛堝弽鍚戜紶鎾級绠楁硶鐨勭洿鎺ヤ綔鐢ㄦ槸锛堬級銆?A.鎻愪緵璁粌闆嗐€佹祴璇曢泦鏍锋湰B.鍔犲揩璁粌鏉冨€煎弬鏁板拰鍋忕疆鍙傛暟C.鎻愰珮绁炵粡缃戠粶鐗瑰緛琛ㄧず绮剧‘搴?D.绉戝璇勪环璁粌妯″瀷绛旀:B12銆佹搴︿笅闄嶇畻娉曠殑姝g‘姝ラ鏄粈涔堬紵锛堬級(a)璁$畻棰勬祴鍊煎拰鐪熷疄鍊间箣闂寸殑璇樊銆?b)杩唬璺熸柊锛岀洿鍒版壘鍒版渶浣虫潈閲?c)鎶婅緭鍏ヤ紶鍏ョ綉缁滐紝寰楀埌杈撳嚭鍊?d)鍒濆鍖栭殢鏈烘潈閲嶅拰鍋忓樊(e)瀵规瘡涓€涓骇鐢熻宸殑绁炵粡鍏冿紝鏀瑰彉鐩稿簲鐨勶紙鏉冮噸锛夊€间互鍑忓皬璇樊A.a, b, c, d, eB.e, d, c,b , aC.c, b, a, e, dD.d, c, a, e, b绛旀:D13銆佹劅鐭ユ満鏄彧鍚緭鍏ュ眰鍜岃緭鍑哄眰鐨勪竴绉嶆祬灞傜缁忕綉缁滐紝涓や釜鎰熺煡鏈鸿緭鍑鸿В鍐充簡鈥濆紓鎴栤€濋棶棰橈紝杩涗竴姝ユ墿灞曞埌澶氭劅鐭ユ満杈撳嚭锛屽苟澧炲姞浜嗗亸缃崟鍏冦€傚叧浜庡亸缃崟鍏冪殑浣滅敤姝g‘鐨勬槸锛堬級銆?A.瑙e喅寮傛垨闂B.灞炰簬涓€绉嶅灞傞殣鍚眰C.鏂藉姞骞叉壈锛屾秷闄ょ綉缁滄寰幆锛屼互杈惧埌杈撳嚭鏀舵暃D.璁$畻缃戠粶浼犳挱鍋忓樊淇℃伅绛旀:C14銆佹繁搴﹀涔犳槸涓€绉嶅灞傜缁忕綉缁滅殑妯℃嫙璁ょ煡璁粌鏂规硶锛屽灞傜缁忕綉缁滃寘鍚涓殣鍚眰鎰熺煡灞傦紝涔熺О浣滃嵎绉缁忕綉缁?CNN)锛屽畠鐨勭爺绌剁儹娼叴璧蜂簬鏈笘绾垵鏈熴€?A.瀵?B.閿?绛旀:B15銆? 娣卞害瀛︿範鍙互鍏锋湁鍑犱釜闅愯棌灞傦紙锛夈€?A.1涓?B.2涓?C.3涓?D.4涓?绛旀:B16銆? 娣卞害瀛︿範涓父鐢ㄧ殑婵€娲诲嚱鏁颁笉鍖呮嫭锛堬級銆?A.sign鍑芥暟B.Sigmoid鍑芥暟C.ReLU鍑芥暟D.Sin鍑芥暟绛旀:D17銆? 鍦ㄤ綍绉嶆儏鍐典笅绁炵粡缃戠粶妯″瀷琚О涓烘繁搴﹀涔犳ā鍨嬶紙锛夈€?A.鍔犲叆鏇村灞傦紝浣跨缁忕綉缁滅殑灞傛暟澧炲姞B.鏈夌淮搴︽洿楂樼殑鏁版嵁C.褰撹繖鏄竴涓浘褰㈣瘑鍒棶棰樻椂D.浠ヤ笂閮戒笉姝g‘绛旀:A18銆? 娣卞害瀛︿範鏄惈鏈変竴涓殣鍚眰鐨勫灞傜缁忕綉缁滄ā鍨嬬殑寮哄寲瀛︿範锛岃缁冭繃绋嬪姞鍏ヤ簡婵€娲诲嚱鏁般€?A.瀵?B.閿?绛旀:B19銆? 绁炵粡缃戠粶涓紝绾挎€фā鍨嬬殑琛ㄨ揪鑳藉姏涓嶅鏃讹紝鍙紩鍏ワ紙锛夋潵娣诲姞闈炵嚎鎬у洜绱犮€?A.绾挎€у嚱鏁?B.婵€娲诲嚱鏁?C.鍒嗙被鍑芥暟D.鍋忕疆鍗曞厓绛旀:B20銆? 涓嬪垪鍏充簬绁炵粡缃戠粶璇存硶姝g‘鐨勬槸锛堬級銆?A.楂橀€熷鎵句紭鍖栬ВB.涓嶅鍐崇瓥鏍戠ǔ瀹?C.闈炵嚎鎬?D.鍏锋湁鑷涔犮€佽嚜缁勭粐銆佽嚜閫傚簲鎬?绛旀:ACD绗簲绔?1銆? 瑙嗙綉鑶滀笂瀵瑰急鍏夋晱鎰熺殑鏄?A.瑙嗘潌缁嗚優B.瑙嗛敟缁嗚優C.瑙嗙缁?D.鐬冲瓟绛旀:A。
分类与回归树分析方法及其在医学研究中的应用

止结内为病例数和对照数 , 其下方为患病率。模型的
结果 中给 出学 习集 ( 先验概 率) 和检验集 ( 后验概 率) 的 具 体判断情 况 。
2 分类 与 回归树 的特 点及其在 医学研 究 中的应用 C T可广 泛应用 于 医学研 究 中 , 医疗 诊 断 与 AR 如
果某 因素在不 同人 群 中的作 用 方式 不 一样 , 在某 一 如
组织结构 、 治疗的反应及 临床转 归等存在 多样性 , 对 同 种疾病 的患 者其临 床表 型可 相差 较 大 , 因此 同质 性 有 时较差 ; 性 回归 、 o i i 回归 、O 线 L gs c t C X回归 等常用 统计 分析方 法 , 应用 的前 提条 件 之一 是要 求 研究 对象 具 有 同质性 特征 , 临床 医学 研 究 的对象一 病 例常 不具 备 而 这一 条件 。C T则 通 过 种 树 、 枝 过 程 , 善 每 个 AR 剪 改
数值变量的数据分析。C R A T分析结果可以图示直
观表示 , 其结 构类似一 棵倒置 的树 , 由主干和许多分支
组成 。在树 中有 许 多 节点 即 树结 (ren d ) 以椭 圆 te o e ,
可获得诊 断 , 少数不 能确 诊 的病 例 , 进行 进 一步 检查 , 直至作 出 明确 诊 断。C T 的树 型分 析 过 程 与 医 生 AR
分类与回归树分析方法及其在医学研究中的应用
武艳华 史 宝林 葛丽平
( 河北 北 方 学院 医学技 术 学院预 防 医 学教 研 室 , 北 张 家 口 0 5 0 ) 河 7 00
【 关键 词】 线 性 模 型 ; g t 模 型 ; l ii o sc 比例 危 险度 模 型
农村地区中学生吸烟情况及影响因素Logistic回归分析

农村地区中学生吸烟情况及影响因素Logistic回归分析目的了解某市农村地区中学生吸烟行为的分布及其影响因素。
方法采用整群分层抽样法抽取乡镇初、高各年级中学生共计320人,以匿名自填问卷方式调查学生的一般情况、吸烟相关的知识和态度以及吸烟行为。
结果不同年级、地区、男中学生的尝试吸烟率、吸烟率均有统计学差异,且均显著高于女学生。
影响吸烟行为的诸多因素中:性别、父/母亲或同学/朋友吸烟、父母/学校对吸烟的态度、学习成绩差及对生活不满意是中学生吸烟行为的重要危险因素。
结论农村地区中学生存在一定的吸烟率,采取有针对性的措施预防和控制中学生的吸烟行为。
标签:吸烟行为;中学生;影响因素吸烟已成为全球性重要公共卫生问题,同时青少年吸烟是更应该值得我们关注的健康危险行为。
研究证实,吸烟开始的年龄越小,成年后越容易成为吸烟依赖者,而且吸烟所带来的危险性越大[1]。
青少年吸烟与多种因素有关,如社会经济、文化因素、自身因素、家庭因素等。
因此,预防青少年吸烟一直以来是全球控烟策略的重点和难点。
目前中学生吸烟的严重性及控烟的重要性在我国已逐渐被认识[2,3]。
为了解农村地区中学生吸烟行为及其有关的危险因素,为建立适合、有效的干预措施提供依据,本文对528名中学生进行了吸烟行为的调查分析。
1资料与方法1.1一般资料采用整群分层抽样方法,抽取某市所辖乡镇1所中学(初、高中)各年级一个班的学生作为调查对象(平均年龄初中13.22 岁,高中17.61岁)。
实施中以班级为单位,根据班级实际人数发放问卷调查表323份,回收有效调查表320份,有效率99.1%。
1.2方法1.2.1问卷内容包括学生一般情况、吸烟行为、吸烟相关认知水平3方面共32个问题。
将调查对象的吸烟情况根据吸烟量、吸烟时间的不同分为3种:吸过香烟(包括吸1~2口),但没吸满100支;曾经吸烟者:吸烟量超过100支,但调查前30d内没有吸过l支烟;现在吸烟者:吸烟量超过100支,且调查前30d内仍吸过烟。
分类问题和回归问题

分类问题和回归问题分类问题和回归问题是机器学习中两类常见的问题类型。
分类问题是指根据给定的特征将数据分为不同的类别,而回归问题是指根据给定的特征预测数值型的输出。
本文将从定义、应用领域、解决方法等方面介绍分类问题和回归问题的基本概念和特点。
一、分类问题分类问题是机器学习中最常见的问题之一。
它的目标是根据给定的特征将数据分为不同的类别。
分类问题的应用非常广泛,例如垃圾邮件过滤、图像识别、医学诊断等。
分类问题的输出是离散的,通常是一个固定的类别标签。
在解决分类问题时,我们可以使用多种算法,如决策树、朴素贝叶斯、支持向量机等。
这些算法通过学习训练数据集中的模式和规律,从而对新的数据进行分类。
其中,决策树算法通过构建一棵树状结构来进行分类,每个节点代表一个特征,每个分支代表一个特征取值,通过不断划分数据集来达到分类的目的。
朴素贝叶斯算法基于贝叶斯定理和特征条件独立性假设,通过计算后验概率来进行分类。
支持向量机是一种基于间隔最大化的分类算法,通过寻找一个最优的超平面来将不同类别的样本分开。
二、回归问题回归问题是机器学习中另一类常见的问题类型。
它的目标是根据给定的特征预测数值型的输出。
回归问题的应用也非常广泛,例如股票价格预测、房价预测、销量预测等。
回归问题的输出是连续的,通常是一个实数值。
解决回归问题的方法也有很多,常见的有线性回归、决策树回归、神经网络等。
线性回归是一种最简单的回归方法,通过拟合一个线性函数来建立特征和输出之间的关系。
决策树回归与分类问题中的决策树类似,不同之处在于叶节点存储的是输出值而不是类别标签。
神经网络是一种复杂的回归方法,通过多层神经元的连接和激活函数的非线性变换来建立输入和输出之间的映射关系。
分类问题和回归问题在目标和输出上存在较大的差异。
分类问题的目标是将数据分为不同的类别,输出是离散的类别标签;而回归问题的目标是预测数值型的输出,输出是连续的实数值。
另外,分类问题和回归问题在解决方法上也有所区别,分类问题常用的算法包括决策树、朴素贝叶斯、支持向量机等;而回归问题常用的方法包括线性回归、决策树回归、神经网络等。
临床分析方法及应用

临床分析方法及应用近年来,随着医疗技术的不断发展和专业人员水平的提高,临床分析方法在医学领域中的应用越来越广泛。
通过对患者的生理数据、实验室检测结果等进行科学的分析,医生能够更准确地判断患者的病情,制定出更恰当的治疗方案。
本文将介绍几种常见的临床分析方法及其应用。
一、决策树分析法决策树分析法是一种常用的数据挖掘方法,在临床医学中有着广泛的应用。
通过对大量的病例数据进行分析,建立起一颗决策树模型,从而对患者的疾病进行诊断和预测。
决策树分析法的优点是简单易懂,结果直观明了。
医生可以根据决策树的结构来判断患者所患疾病的可能性,并为其选择合适的治疗方法。
二、分类回归树(CART)分析法CART分析法是一种基于决策树的分类和回归方法,常用于医学领域的数据分析。
与决策树分析法相比,CART分析法能够处理连续型数据,对于一些需要定量判断的临床问题更加适用。
临床医生可以通过对患者的病情指标进行测量,然后使用CART分析法进行数据挖掘,得出对患者病情预测的结果。
三、感知器神经网络方法感知器神经网络方法是一种通过对多个输入与输出之间的关系进行模拟学习的技术。
在临床医学中,这种方法可以用于对患者的各种指标进行分析和预测。
临床医生可以将患者的病历资料输入到感知器神经网络中,通过训练和学习,得出对患者病情的判断和预测。
感知器神经网络方法的优点是模型可以自动调整和优化,能够在较大程度上提高临床诊断的准确性。
四、生存分析方法生存分析方法是一种对生存时间进行分析的统计方法,常用于临床医学中对患者预后的研究。
通过对患者的病历数据和随访数据的统计分析,可以获得患者的生存时间和预后结果。
生存分析方法不仅可以帮助医生评估患者的疾病状态,还可以为患者提供个性化的治疗建议和预后评估。
总结起来,临床分析方法在医学领域中的应用不可忽视。
决策树分析法、CART分析法、感知器神经网络方法和生存分析方法等,都能够帮助医生进行疾病诊断和预测。
通过准确地分析和解读患者的相关指标,医生能够更好地制定治疗方案,提高临床治疗效果。
回归模型能被用于分类问题吗?

回归模型能被用于分类问题吗?随着机器学习的迅速发展,回归模型作为一种经典的统计学方法,被广泛应用于各种预测问题中。
然而,对于一些初学者来说,可能会产生一个疑问:回归模型能否被用于分类问题?本文将围绕这一问题进行科普解答。
一、回归模型的基本原理回归模型是一种建立自变量和因变量之间关系的方法,通过拟合数据来预测未知的因变量值。
其基本思想是根据已有数据的特征和相应的因变量值之间的关系,来构建一个函数或模型,然后利用这个函数或模型来预测未知数据的因变量值。
二、回归模型在分类问题中的应用回归模型在传统的统计学方法中通常被用于处理连续数值的预测问题,比如房价预测、气温预测等。
但是,在现实生活中,很多问题需要对数据进行分类,例如信用评级、疾病诊断等。
那么,回归模型是否可以用于解决这类问题呢?1. 逻辑回归模型逻辑回归模型是一种常用的分类模型,通过建立一个逻辑函数来预测数据的分类结果。
它利用回归模型的基本原理,将预测结果限制在[0, 1]之间,表示属于某个类别的概率。
可以说,逻辑回归模型是回归模型在分类问题中的一种变形。
逻辑回归模型的应用非常广泛,可以用于二分类问题,也可以通过拓展到多分类问题。
其优势在于简单易解释、计算速度快等特点。
在实际应用中,逻辑回归模型往往作为分类问题的基准模型。
2. 支持向量机支持向量机是另一种利用回归模型思想解决分类问题的方法。
它基于统计学习理论,通过构建一个最优的决策边界来区分不同的类别。
支持向量机在处理高维数据时表现优秀,且具有较高的鲁棒性和预测准确率。
3. 回归树和随机森林回归树是一种通过构建决策树来解决分类问题的方法。
它将自变量空间划分成多个区域,每个区域内具有相同的预测结果。
回归树的优势在于易理解、易实现,并且对异常值和缺失值具有一定的容错能力。
而随机森林则是通过集成多个回归树来进行分类预测,进一步提高了模型的准确率和鲁棒性。
4. 神经网络模型神经网络模型是一种模拟人脑神经系统工作方式的机器学习模型。
多元统计分析在人体健康与疾病诊断中的应用
多元统计分析在人体健康与疾病诊断中的应用人类作为高级生命体,其复杂的生理系统及变幻无常的病理反应,使得疾病的诊断变得十分困难。
然而,正是统计学的发展为我们提供了一种全新的思路——多元统计分析。
通过对数据的探索与分析,多元统计方法能够跨越单一指标的限制,帮助我们寻找影响人体健康的多种因素,提高疾病的诊断效率。
一、多元回归分析多元回归分析使用一个或多个自变量预测因变量变量,以探究它们之间的关系。
在人体健康与疾病诊断中,多元回归分析能够通过探究各种疾病与其可能影响因素的线性或非线性关系,来帮助医生进行诊断。
例如,若我们想要研究高血压与体重、年龄等因素的关系,我们可以通过多元回归分析建立回归方程,确定各个自变量之间的相对重要性,从而帮助缓解高血压的发作。
二、主成分分析主成分分析是多元统计中常用的一种降维技术。
在人体健康与疾病诊断中,医生们的任务是诊断出疾病并确定其严重程度,然而这并不是一件容易的事情。
主成分分析的出现,使得医生们能够将一连串高维度的数据压缩到低维度中,从而更加便于医生们进行诊断。
例如,当医生需要了解糖尿病病人的血糖、体重、年龄、性别等信息时,使用主成分分析可将这些信息简化为两个主成分,即代表糖尿病程度与代表风险趋势等信息的两个主成分,使医生能够更加便捷地进行疾病评估与诊断。
三、聚类分析聚类分析是通过将样本划分成簇的方式,对数据进行分类的一种方法。
在人体健康与疾病诊断中,聚类分析能够将患有相似病症的患者聚成一类,从而判断疾病患病类型。
例如,使用聚类分析可将BMI指数与其他生理指标如肝功能进行比对,判断患者是否患有脂肪肝等病症,有助于提高疾病诊断的效率。
四、分类与回归树分析分类与回归树分析将样本数据集逐步划分成更小的子集,使得每个子集包含的样本的分类结果差异较小。
在人体健康与疾病诊断中,分类与回归树分析可用于建立风险因素预测模型。
例如,将病人的BMI、体脂率、年龄等重要因素输入到分类与回归树模型中,就能够快速准确地预测病人是否患有糖尿病等疾病。
决策树模型在临床研究数据分析中的应用
·临床研究规范·决策树模型在临床研究数据分析中的应用沈范玲子1王瑞平1,2(1. 上海中医药大学公共健康学院上海 201203;2. 上海市皮肤病医院临床研究与创新转化中心上海 200443)摘要决策树模型是一种有监督的机器学习方法,分类规则通常采取IF-THEN形式,分析结果常以树形图呈现,具有可解释性强、易于理解的优势,在灾害预测、环境监测、临床诊疗决策等领域均有广泛的应用。
本文从决策树模型概念入手,介绍了决策树模型的一般构建步骤、分类与回归树(classification and regression tree, CART)决策树模型在临床研究数据分析中的应用,并应用SPSS软件示例CART决策树模型的构建过程和实现方法,以期为临床研究者采用决策树模型进行数据分析提供参考。
关键词决策树临床研究 CART算法 SPSS软件中图分类号:G304; R-3 文献标志码:C 文章编号:1006-1533(2024)05-0014-05引用本文沈范玲子, 王瑞平. 决策树模型在临床研究数据分析中的应用[J]. 上海医药, 2024, 45(5): 14-18.Application of decision tree modeling in clinical research data analysisSHEN Fanlingzi1, WANG Ruiping1,2(1. School of Public Health, Shanghai University of Traditional Chinese Medicine, Shanghai 201203, China;2. Clinical Research & Innovation Center, Shanghai Skin Disease Hospital, Shanghai 200443, China)ABSTRACT Decision tree model is a supervised machine learning method and its classification rules usually take the form of IF-THEN, the analysis results are often presented in the form of tree diagrams, with the advantages of solid interpretability and ease understanding, and it has been widely used in the fields of disaster prediction, environmental monitoring, clinical diagnosis and treatment decision-making. This article starts from the concept of decision tree model, introduces the general construction steps of decision tree model, the application of classification and regression tree (CART) decision tree model in the analysis of clinical research data, and the construction process and realization method of CART decision tree model using the SPSS software example, so as to provide a better solution for clinical researchers to use decision tree model for data analysis.KEY WORDS decision trees; clinical research; CART algorithm; SPSS software临床医学研究中,在探讨多个自变量和因变量之间关系时,常采用多元线性回归、logistic回归、Cox回归分析、广义线性模型等经典统计分析方法。
下列属于分类与回归的方法
下列属于分类与回归的方法以下是一些常见的分类与回归的方法:1. 逻辑回归(Logistic Regression):逻辑回归是一种广泛应用于分类问题中的线性模型,它将数据映射到一个0到1之间的概率值,然后根据特定的阈值进行分类。
2. 决策树(Decision Tree):决策树是一种基于树形结构的分类算法,它将数据分成不同的子集,一旦达到某个条件便停止分割,然后根据叶节点的类别进行分类。
3. k近邻(k-Nearest Neighbors,简称k-NN):k-NN是一种基于实例的学习,通过测量不同数据点之间的距离进行分类。
4. 支持向量机(Support Vector Machine,简称SVM):SVM是一种监督学习模型,主要用于分类和回归分析。
5. 朴素贝叶斯(Naive Bayes):朴素贝叶斯是一种基于贝叶斯定理与特征之间独立假设的分类方法。
6. 随机森林(Random Forest):随机森林是一种集成学习算法,通过构建多个决策树并综合它们的预测结果来进行分类。
7. 梯度提升决策树(Gradient Boosting Decision Tree,简称GBDT):GBDT是一种迭代地添加新的决策树到模型中,并使用负梯度来指导训练过程的算法。
8. 线性回归(Linear Regression):线性回归是一种用于预测数值型数据的线性模型。
9. 岭回归(Ridge Regression):岭回归是对线性回归的一种改进,通过引入L2正则化项来防止过拟合。
10. 套索回归(Lasso Regression):套索回归也是对线性回归的一种改进,通过引入L1正则化项来实现特征选择和稀疏性。
这些方法在不同的场景和应用中都有广泛的应用,选择合适的方法需要考虑数据的特点和问题的需求。
【免费PDF】多元回归树与双向指示种分析在群落分类中的应用比较
植物生态学报 2015, 39 (6): 586–592 doi: 10.17521/cjpe.2015.0056 Chinese Journal of Plant Ecology 多元回归树与双向指示种分析在群落分类中的应用比较张文静张钦弟*王晶冯飞毕润成*山西师范大学生命科学学院, 山西临汾 041004摘要采用两种群落分类方法——以环境梯度为分类依据的多元回归树(MRT)和多年来广泛应用的双向指示种分析(TWINSPAN), 对吕梁山南段森林群落进行了数量分类, 同时依据植物群落分类和命名原则, 对分类后的各群系进行命名, 并用吻合系数比较两种分类结果的吻合程度, 分析MRT的优劣势, 为以后选择合适的植物群落数量分类方法提供参考。
结果表明: (1) MRT将41个森林样方分为4个群系, 分别为侧柏(Platycladus orientalis)群系、青榨槭(Acer davidii)群系、辽东栎(Quercus wutaishanica)群系、柿(Diospyros kaki)群系, 群系类型与TWINSPAN的分类结果相同; (2)根据群系的样方组成, 两种分类结果的吻合度较高, 吻合系数达80.5%; (3)与TWINSPAN相比, MRT同时以物种和环境信息为依据, 对有过渡性质的样方划分更为可靠。
因此, 单纯从植被分类的角度来看, 尽管TWINSPAN的分类结果更客观, 但当TWINSPAN分类遇到困难时, 如在划分大样地连续样方或具有过渡性质样方时, MRT更有优势。
关键词吻合系数, 比较, 多元回归树, 吕梁山南段, 双向指示种分析引用格式:张文静, 张钦弟, 王晶, 冯飞, 毕润成 (2015). 多元回归树与双向指示种分析在群落分类中的应用比较. 植物生态学报, 39, 586–592. doi:10.17521/cjpe.2015.0056A comparison of multivariate regression tree and two-way indicator species analysis in plant community classificationZHANG Wen-Jing,ZHANG Qin-Di*, WANG Jing,FENG Fei,and BI Run-Cheng*College of Life Sciences, Shanxi Normal University, Linfen, Shanxi 041004, ChinaAbstractAims Multivariate regression tree (MRT) is a new statistical technique for plant community classification. Stu-dies on advantages of MRT were still insufficient. Our objective was to compare the results of MRT with two-way indicator species analysis (TWINSPAN), which is widely used in recent years, and to provide suggestions for choosing an appropriate classification method.Methods We used both MRT and TWINSPAN to classify the forest communities in the southern part of Lüliang Mountain. The MRT analysis gave a tree with the splits based on additional environmental factors. The degree of consistency between the two classifications are compared through the coherence coefficient.Important findings(1) MRT divided 41 forest quadrats into four formations: the Platycladus orientalis forma-tion, Acer davidii formation, Quercus wutaishanica formation and Diospyros kaki formation. The types of the formations are consistent with the analysis results from TWINSPAN. (2) Based on the quadrats that compromise the formations, these two methodologies provided a relatively high consistency, with the coherence coefficient up to 80.5%. (3) Compared with the TWINSPAN, the MRT can be seen as a form of constrained classification analy-sis that can relate different aspects of species composition to environmental data, so the clusters defined by the MRT define community types of the ecotone in an objective manner not available in other techniques. Finally, the TWINSPAN is a very effective classification technique in plant ecology research. However, the MRT has advan-tage over the TWINSPAN in terms of classifying continuous or transitional quadrats.Key words coherence coefficient, comparison, multivariate regression tree, southern Lüliang Mountain, two-way indicator species analysisCitation: Zhang WJ,Zhang QD, Wang J, Feng F, Bi RC (2015). A comparison of multivariate regression tree and two-way indicator ——————————————————收稿日期Received: 2015-01-19 接受日期Accepted: 2015-03-31* 共同通讯作者Co-authorforcorrespondence(E-mail:*************;**************)张文静等: 多元回归树与双向指示种分析在群落分类中的应用比较 587doi: 10.17521/cjpe.2015.0056species analysis in plant community classification. Chinese Journal of Plant Ecology, 39, 586–592. doi: 10.17521/cjpe. 2015.0056植被分类可采用人为分类方法, 也可采用自然分类方法。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
Application of CART i n defining smoking high risk group among the primary and secondary students / ZHU Yin chao, ZHANG Tao, WANG Xiao huai, et al. Ningbo Municipal Center f or D isease Control and Prevention, Ningbo( 315010) , China 【 Abstract 】 Objective To underst and the current smoking status among t he primary and high scholars in Ni ngbo city and identify the smoking hi gh risk groups so as to carry out special tobacco control health education and intervention eff ecti vely. Methods questionnai re. Results A total of 9 048 students from 29 primary and juni or high school s in the six districts were drawn by multi stage stratified cluster random sampling and asked to f inish a self designed The smoking at tempt ation rate was 13. 9% and the whole cigarette smoking rate was 4. 5 % ( 31. 9 % cigarette experiment ors) . About 19 . 2 % and 81. 9 % student s had reported respectively that t hey had more than one smoker among the best friends or family members, living t ogether. The sensitivity of CAR T models to identi fy ci garette experimentors and whole cigarette smoker was 84. 7% and 76. 1% respecti vely. The variables i ncluding peer smoker, gender and famil y member smokers were the eff ect ive predi ctors. Conclusion 【 Key words】 Smoking; Risk; Regression analysis; Students The models coul d help to ident i f y most of smoking high ri sk groups and be benefical to carry out special tobacco control heal th educat ion and intervent ion among the adolescents .
吸烟 , 已经成为有效降低我国成年人总 吸烟率的 关键 [ 3] 。在目 前控烟资源相对匮乏的现状下 , 如果能 识别吸烟 高危青少 年人 群 , 对其开展针对性的控烟教育和措 施 , 就能 集中优 势力量 , 更 为有效地遏制青少年吸烟行 为的产生和 发展。为此 , 宁波 市控 烟项目组在盖茨基金会的资助 下组织了此 次调查 , 并将结 果采 用分类和回归树 方法 ( CART) 进行分析 。 CART 是决 策树 中结 构简炼的二叉树 , 算 法采用 一种 二分递 归分 割技 术 , 能 够帮 助 实现目标人群的分类 [ 4] 。
1182
1 1. 1 对象与方法 对象
中国学校卫生 2011 年 10 月第 32 卷第 10 期
Chin J Sch Health, O ctober 2011, Vol . 32 , N o. 10
料 , 5 986 名 ( 66. 4% ) 学生 报告 自己 接受 过控 烟相 关的 课堂 教 育、 电化教育或技能培训等 , 8 076 名 ( 89. 6% ) 学生报告 接受控 烟公益广告教育 ( 以下简称为接受广告教育 ) 。
表1
变量 年龄 / 岁 知识知晓率 / % 性别( 男) 有同伴吸烟 有家庭成员吸烟 有教师吸烟 有被动吸烟暴露 是无烟学校 学校有禁烟规定 接触控烟宣传资料 参加知识技能培训 接受公益广告教育
采用 多阶段 分层整 群抽样 方法 , 把宁波 6 个 区内
170 所小学和 79 所初中按 城市、 城郊 和农 村分为 3 层 , 依 照等 比例分 配 抽 取 29 所 中 小学 ( 城 市 10 所、 城 郊 5 所 和 农村 4 所 ) , 整群调查所抽取 学校 的所 有四 ~ 八年 级学 生。共发 放问 卷 9 088 份 , 回收有效问 卷 9 048 份 , 回收率 为 99. 6% , 有 效问 卷 9 009 份 , 有效率为 99. 6% 。其中男生 4 864 名 ( 54. 0% ) , 女 生 4 145 名 ( 46. 0% ) 。城市学 生 5 608 名 ( 62. 2% ) , 城郊 学生 2 489 名 ( 27. 6% ) , 农村 学生 912 名 ( 10. 1% ) 。 四 ~ 八年 级学 生分布依次为 : 1 461( 16. 2% ) , 1 463( 16. 2% ) , 1 376( 15. 3% ) 和 2 306 名 ( 25. 6% ) , 2 403 名 ( 26. 7% ) 。年龄 为 8 ~ 18 岁 , 其 中 8 ~ 9 岁 747 名 ( 8. 3% ) , 10 岁 1 344 名 ( 14. 9% ) , 11 岁 1 288 名 ( 14. 3% ) , 12 岁 1 913 名 ( 21. 2% ) , 13 岁 2 368 名 ( 26. 3% ) , 14 岁 1 248 名 ( 13. 9% ) ,15 ~ 18 岁 101 名 ( 1. 1% ) 。 1. 2 方法 采用宁波市 疾病预 防控 制中心 编制 的《 宁波 市中 小学生控烟相关知 识、 态度、 行为 情况 调查表 》 , 调查 内容 包括 一般人口学特征、 吸烟相关知识和态 度、 行 为情况、 政策环 境与 被动 吸 烟 等。 调 查 表 参 考 了 美 国 《 Core Questions of Global Youth Tobacco Survey( GYTS) 》 问卷。调查在市教育局的统一协 调下进行 , 由各县 ( 市 ) 区疾病预防控制中心工作人员经 过严格 培训后担任调查员 , 学生在知情同意 情况下以自 填问卷的 方式 完成匿名调查。调查现场要求 校方教师回 避 , 调 查员经核 查后 回收问卷 , 避免问卷中出现漏答、 错答等现象。 1. 3 1. 4 主要 指标定 义 统 计学 分析 尝试吸烟 是指曾 经尝试 过吸烟 , 即 使是 采 用 EpiData 3. 0 软 件录 入数 据 , 用 SPSS
参考文献
季成叶 . 青少年健康危险行 为预防 . 中国健康 教育 , 2004 , 20 ( 5) : 415 - 416 . 王 超 . 2001 年美国 青少年健 康危险行 为监测 . 国 外医学 : 卫 生分 册 , 2005, 32 ( 1) : 47 -50 . 王建国 , 张寒冰 . 山西省部分高校大学生网络成瘾状 况 . 中国学校 卫生 , 2005, 26 ( 12) : 1031 - 1032. 李芳健 , 王家骥 , 麦锦城 , 等 . 广州市青少年危害健康 行为调查 . 中 国公共卫生 , 2007 , 23( 2) : 166 - 168. 唐跃军 , 孙秀成 , 黄四新 . 永州市零陵区青少年危险行 为现况调查 . 实用预防医学 , 2009 , 16( 4) : 1106 - 1108 . 孙莉 , 颜玲 , 张成 云, 等 . 四川省 城市中学 生健康相 关行为现 状及 其影响因素 . 中国学校卫生 , 2008, 29( 12 ) : 1086 -1088. 赵勇 , 赵梅 , 罗建 , 等. 重庆市某 中学初中 生营养不 良及肥胖 影响 因素分析 . 中国校医 , 2005 , 26( 12 ) : 990 - 991 . 梁筱健 , 黄祖昆 , 肖兵 , 等 . 佛山 市城市青 少年健康 危险行为 研究 ( 一 ) . 中国校医 , 2008, 22( 2 ) : 123 -126 . 郭亚文 , 刘洪雷 , 周祖华 , 等 . 上 海市静安 区学生道 路交通伤 害的 [ 11]
虽然全球范围开 展了各种大型控烟 运动 , 但 青少年吸 烟率 还是呈现持续上升趋 势 [ 1] , 且青少年开始吸 烟年龄有前 推的倾 向 [ 2] 。大部分吸烟者都是从青少年时 期开始吸烟 , 而最 后成为 长期吸烟者 [ 1] 。因此如 何更 为有 效地预 防和 控制青 少年 群体
【 基金项目 】 无烟城市 - 盖茨中国控烟项目 ( 51437) 。 【 作者简介 】 朱银潮 ( 1977 ) , 男 , 浙江 绍兴 人 , 在 读硕 士 , 主 管医 师 , 主要从事场所健康教育和健康促进工作。 DOI: 34 -1092 / R. 20111017. 1520. 008
[ 10 ] 聂少萍 , 李海康 , 许燕 君 , 等 . 广东 省青少年 伤害危险 行为现 况分 析 . 中国学校卫生 , 2006, 27( 11 ) : 930 - 931 . 高 峻璞 . 我 国儿 童 伤害 的 流行 病 学研 究进 展 . 中国 学 校卫 生 , 2006 , 25 ( 7) : 555 -557. [ 12 ] 戴寿桂 , 孙中支 , 祈朝 霞 , 等 . 江苏 省青少年 相关危险 行为现 况分 析 . 中国学校卫生 , 2007, 28( 9) : 829 - 831 . [ 13 ] 孙江平 , 宋逸 , 马迎华 , 等 . 全国 5 省 市中学生 危险行 为调查 报告 ( 三 ) : 吸烟、 饮酒和成瘾类药物滥用状况 . 中国学校卫生 , 2001, 22 ( 5) : 396 - 398. [ 14 ] 星一 , 季成叶 , 潘永平 , 等 . 北京市中学生使用烟草、 酒精 等成瘾性 物质状况 . 中国学校卫生 , 2005, 26( 1 ) : 18 - 19. [ 15 ] 张玉超 , 李文梅 , 李君 , 等 . 南阳市 10 - 24 岁青少年健康 危险行为 现况调查分析 . 中国校医 , 2005, 19( 4 ) : 357 - 360 . [ 16 ] 吴成银 , 谢存芝 . 枣庄市城市青少年健康危险行为调查 . 中国学校 卫生 , 2009 , 30( 9) : 807 - 809. 收稿日期 : 2010 12 20; 修回日期 : 2011 02 22