传统方法，如逻辑回归，已被广泛用于识别风险因素和预测疾病概率。然而，随着高级统计技术的发展，机器学习模型为提高预测准确性提供了有前景的替代方案。机器学习和普通回归构建预测模型哪个更好？机器学习真的比传统回归强吗？模型性能一定更好吗？今天我们一起来看一篇中国医科大学学者于2025年3月29日发表的文章，比较机器学习与逻辑回归方法在预测老年高心血管疾病风险人群骨质疏松症中的应用，题为：“A cross-sectional study comparing machine learning and logistic regression techniques for predicting osteoporosis in a group at high risk of cardiovascular disease among old adults”。一起找找答案！由于骨质疏松症的发生受遗传、生活方式及环境等多种因素的影响，其预测存在较大挑战。传统的逻辑回归（LR）方法已被用于构建骨质疏松症预测模型，但在捕捉复杂关系方面可能存在局限性。随着机器学习（ML）的兴起，这种通过“学习”数据来预测结果的数据分析方法在骨质疏松症预测中正变得越来越流行。SHAP技术的应用使得每个变量都可以被解释和量化，使得机器学习不再只是一个“黑箱”过程，而是逐渐具备透明性和可解释性。然而，高级机器学习算法是否能在特定领域优于传统广义线性模型，仍然存在争议。因此，本研究共纳入211名参与者。数据收集完成后，研究者分别构建了机器学习模型和逻辑回归模型预测老年心血管疾病高风险人群骨质疏松症，以比较两者的表现。 经多重共线性诊断后，所有指标均在单变量和多变量模型中进行分析，并采用AIC最小化的向前和向后逐步法选择最终纳入模型的变量。逻辑回归（LR）构建预测模型使用逻辑回归（LR）模型拟合数据，构建包含遗传和环境信息的预测模型。评估其校准度与区分度：使用曲线下面积(AUC)评估模型的区分能力，AUC为0.751（0.6859-0.8166）。使用 Brier 评分和校准曲线评估模型的校准度：
