r語言統計的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

機器學習演算法動手硬幹：用PyTorch+Jupyter最佳組合達成

為了解決r語言統計的問題，作者孫玉林,余本國 這樣論述：

★★★【機器學習】+【演算法】★★★ ★★★★★【PyTorch】+【Jupyter】★★★★★ 　　一步一腳印、腳踏實地 　　機器學習經典演算法全面講解 　　我們平常視為理所當然的L1、L2、Softmax，Cross Entropy，都是基礎的機器學習所推導出來的，很多人以為不需要學的機器學習演算法，才是站穩腳步的基本大法！ 　　本書就是讓你可以用Python來真正真槍實戰上手機器學習。從最基礎的資料清理、特徵工程開始，一直到資料集遺漏值的研究，包括了特徵變換、建構，降維等具有實用性的技巧，之後說明了模型是什麼，接下來全書就是各種演算法的詳解，最後還有一個難得的中文自然語言處理的

案例，不像一般機器學習的書千篇一律MNIST手寫辨識、人臉辨識這麼平凡的東西，難得有深入「機器學習」的動手書，讓你真的可以在人工智慧的領域中走的長長久久。 　　大集結！聚類演算法 　　✪K-means 聚類 　　✪系統聚類 　　✪譜聚類 　　✪模糊聚類 　　✪密度聚類 　　✪高斯混合模型聚類 　　✪親和力傳播聚類 　　✪BIRCH 聚類 　　技術重點 　　✪資料探索與視覺化 　　✪Python實際資料集特徵工程 　　✪模型選擇和評估 　　✪Ridge回歸分析、LASSO回歸分析以及Logistic回歸分析 　　✪時間序列分析 　　✪聚類演算法與異常值檢測 　　✪決策樹、隨機森林、AdaBo

ost、梯度提升樹 　　✪貝氏演算法和K-近鄰演算法 　　✪支持向量機和類神經網路 　　✪關聯規則與文字探勘 　　✪PyTorch深度學習框架  

r語言統計進入發燒排行的影片

利用毒理學資料庫鑑別可能危害臺灣食品安全之潛在化學物質

為了解決r語言統計的問題，作者翁婉甄 這樣論述：

食品中含有成千上萬種天然存在的化學物質，過去的毒性測試策略主要是透過暴露於高劑量化學物質之動物試驗來預測對人體健康的影響，但由於進行動物實驗昂貴且費時，所以仍有大量化學物質無動物毒性實驗成果。而美國國家研究委員會在2007年釋出了一份報告21st Century: A Vision and a Strategy，希望藉由計算毒理學的方式，透過結合計算模擬以及高通量體外毒性測試結果，用以了解未知化學物質在特定的狀況下是否具有毒性。由於計算毒理學持續發展，目前國際上已建立各種毒理學資料庫，如美國環境保護署利用高通量篩選毒性測試資料庫(ToxCast)，以及彙整以往體內毒性測試結果資料庫(ToxR

efDB)等。基於各國法規不一致，在大量新型化學物質產生與國際貿易發達的現狀下，各國的原物料、食品產品等都可能輸入至臺灣而導致食安事件的發生，然而目前臺灣尚未有針對國際食安相關法規之毒理學資料庫相關研究。因此本研究目的彙整目前臺灣法規中所涵蓋的食品相關化學物質清單，比對國際間目前運用於食品之化學物質差異，並分析臺灣法規未納入管理之化學物質於毒理學資料庫之試驗結果，以進一步評估因進口食品可能對臺灣食品安全造成威脅之化學物質。本研究採用ToxCast及ToxRefDB之毒理學資料庫，並針對臺灣、美國及歐盟食品相關法規中化學物質進行彙整比較，利用R語言統計軟體分別將臺灣化學物質及美國與歐盟(但扣除臺

灣法規已規範之物質)，以化學物質結構進行自組織映射網路(Self-Organizing Map, SOM)分群，並篩選具有細胞毒性試驗數量較多及平均活性試驗結果比例較高之網格中的化學物質，做為可能具有潛在危害之化學物質，進一步分析其在體外試驗結果中對哪些目標造成影響及濃度，並比對其是否有相關體內毒性試驗資訊以及所造成不良反應結果。首先，以臺灣食品相關化學物質結構進行SOM分群，透過比對細胞毒性及平均活性試驗結果篩選出具有潛在危害之化學物質共22個，其全部為農藥類別之化學物質，主要用於各種蔬菜、水果和穀物之殺菌劑、殺蟲劑以及部分做為動物用藥使用，並且在體外毒性試驗結果顯示其在較低的濃度下即對Cy

tochrome P450產生活性影響，以及在體內毒性試驗結果顯示其對肝臟可能造成不良反應結果。另外再以國際食品相關化學物質結構進行SOM分群，透過細胞毒性及平均活性試驗結果篩選出具有潛在危害之化學物質共有151個，其中有4個化學物質(4-(2-methylbutan-2-yl) phenol、o-Cresol、Benzene及Triphenyltin hydroxide)同時有進行體外及體內毒性測試，且對子宮、肝臟、皮膚及子房具有癌症相關試驗結果。Triphenyltin hydroxide被分類為農藥類別，僅可用於馬鈴薯、甜菜、山核桃；4-(2-methylbutan-2-yl)pheno

l及o-Cresol主要用於樹脂和聚合物塗料及模塑製品中的酚醛樹脂；Benzene作為食品添加物用於啤酒花萃取物及食品接觸物質之食品包裝黏著劑。總和以上，以本研究方法所使用化學物質結構SOM分群，篩選出具有相似結構以及可能具有潛在危害之化學物質，分析其在體外及體內毒性試驗結果中對哪些目標造成不良影響，彙整上述化學物質於國際法規之規範及用途，可做為臺灣後續優先進行關注之化學物質，並於國際貿易上應特別加強稽查。

機器學習實戰：使用R、tidyverse和mlr

為了解決r語言統計的問題，作者（英）赫芬·I.里斯 這樣論述：

本書將使用RStudio和非常棒的mlr套裝程式開啟你的機器學習之旅。這本實用指南簡化了理論,避免了不必要的複雜統計和數學知識,所有核心的機器學習技術都通過圖形和易於掌握的示例進行清晰的解釋。每一章的內容都十分引人入勝，你將掌握如何把新的演算法付諸實踐，以解決各種預測分析問題，包括泰坦尼克沉船事件中不同乘客的倖存概率、垃圾郵件過濾、毒酒事件調查等。 Hefin I. Rhys是一位元有著8年教授R語言、統計學和機器學習經驗的生命科學家和細胞學家。他將自己的統計學/機器學習知識貢獻給多項學術研究，並熱衷於講授統計學、機器學習和資料視覺化方面的課程。 第Ⅰ部

分  簡介 第1章  機器學習介紹   2 1.1  機器學習的概念   3 1.1.1  人工智慧和機器學習   4 1.1.2  模型和演算法的區別   5 1.2  機器學習演算法的分類   7 1.2.1  監督、無監督和半監督機器學習演算法的區別   7 1.2.2  分類、回歸、降維和聚類演算法   9 1.2.3  深度學習簡介   11 1.3  關於機器學習道德影響的思考   12 1.4  使用R語言進行機器學習的原因   13 1.5  使用哪些資料集   13 1.6  從本書可以學到什麼   13 1.7  本章小結   14 第2章  使用tidyverse整理、操

作和繪製資料   15 2.1  tidyverse和整潔資料的概念   15 2.2  載入tidyverse   17 2.3  tibble套裝程式及其功能介紹   17 2.3.1  創建tibble   18 2.3.2  將現有資料框轉換為tibble   18 2.3.3  數據框和tibble的區別   19 2.4  dplyr套裝程式及其功能介紹   21 2.4.1  使用dplyr操作CO2資料集   21 2.4.2  連結dplyr函數   25 2.5  ggplot2套裝程式及其功能介紹   26 2.6  tidyr套裝程式及其功能介紹   29 2.7  p

urrr套裝程式及其功能介紹   32 2.7.1  使用map()函數替換 for迴圈   33 2.7.2  返回原子向量而非列表   34 2.7.3  在map()系列函數中使用匿名函數   35 2.7.4  使用walk()產生函數的副作用   35 2.7.5  同時遍歷多個列表   37 2.8  本章小結   38 2.9  練習題答案   38 第Ⅱ部分  分類演算法 第3章  基於相似性的k近鄰分類   42 3.1  k近鄰演算法的概念   42 3.1.1  如何學習k近鄰演算法   42 3.1.2  如果票數相等，會出現什麼情況   44 3.2  建立個kNN

模型   45 3.2.1  載入和研究糖尿病資料集   45 3.2.2  運用mlr訓練個kNN模型   47 3.2.3  mlr想要實現的目標：定義任務   47 3.2.4  告訴mlr使用哪種演算法：定義學習器   48 3.2.5  綜合使用任務和學習器：訓練模型   49 3.3  平衡模型誤差的兩個來源：偏差-方差權衡   51 3.4  運用交叉驗證判斷是否過擬合或欠擬合   52 3.5  交叉驗證kNN模型   53 3.5.1  留出法交叉驗證   53 3.5.2  k-折法交叉驗證   55 3.5.3  留一法交叉驗證   57 3.6  演算法將要學習的內容以

及它們必須知道的內容：參數和超參數   59 3.7  調節k值以改進模型   60 3.7.1  在交叉驗證中調整超參數   61 3.7.2  使用模型進行預測   63 3.8  kNN演算法的優缺點   64 3.9  本章小結   64 3.10  練習題答案   65 第4章  對數幾率回歸分類   67 4.1  什麼是對數幾率回歸   67 4.1.1  對數幾率回歸是如何學習模型的   68 4.1.2  當有兩個以上的類別時，該怎麼辦   73 4.2  建立個對數幾率回歸模型   74 4.2.1  載入和研究titanic資料集   75 4.2.2  充分利用資料：特

徵工程與特徵選擇   75 4.2.3  數據視覺化   77 4.2.4  訓練模型   80 4.2.5  處理缺失資料   80 4.2.6  訓練模型(使用缺失值插補方法)   81 4.3  交叉驗證對數幾率回歸模型   81 4.3.1  包含缺失值插補的交叉驗證   81 4.3.2  準確率是重要的性能度量指標嗎   82 4.4  理解模型：幾率比   83 4.4.1  將模型參數轉換為幾率比   83 4.4.2  當一個單位的增長沒有意義時如何理解   84 4.5  使用模型進行預測   84 4.6  對數幾率回歸演算法的優缺點   84 4.7  本章小結   8

5 4.8  練習題答案   85 第5章  基於判別分析的分離方法   88 5.1  什麼是判別分析   88 5.1.1  判別分析是如何學習的   90 5.1.2  如果有兩個以上的類別，應如何處理   92 5.1.3  學習曲線而不是直線：QDA   93 5.1.4  LDA和QDA如何進行預測   93 5.2  構建線性和二次判別模型   95 5.2.1  載入和研究葡萄酒資料集   95 5.2.2  繪製資料圖   96 5.2.3  訓練模型   97 5.3  LDA和QDA演算法的優缺點   100 5.4  本章小結   101 5.5  練習題答案   10

1 第6章  樸素貝葉斯和支援向量機分類演算法   103 6.1  什麼是樸素貝葉斯演算法   104 6.1.1  使用樸素貝葉斯進行分類   105 6.1.2  計算分類和連續預測變數的類條件概率   106 6.2  建立個樸素貝葉斯模型   107 6.2.1  載入和研究HouseVotes84資料集   107 6.2.2  繪製資料圖   108 6.2.3  訓練模型   109 6.3  樸素貝葉斯演算法的優缺點   110 6.4  什麼是支援向量機(SVM)演算法   110 6.4.1  線性可分SVM   111 6.4.2  如果類別不是完全可分的，怎麼辦  

112 6.4.3  非線性可分的SVM   113 6.4.4  SVM演算法的超參數   115 6.4.5  當存在多個類別時，怎麼辦   116 6.5  構建個SVM模型   117 6.5.1  載入和研究垃圾郵件資料集   118 6.5.2  調節超參數   119 6.5.3  訓練模型   122 6.6  交叉驗證SVM模型   123 6.7  SVM演算法的優缺點   124 6.8  本章小結   124 6.9  練習題答案   125 第7章  決策樹分類演算法   127 7.1  什麼是遞迴分區演算法   127 7.1.1  使用基尼增益劃分樹   129

7.1.2  如何處理連續和多級分類預測變數   130 7.1.3  rpart演算法的超參數   132 7.2  構建個決策樹模型   133 7.3  載入和研究zoo資料集   134 7.4  訓練決策樹模型   134 7.5  交叉驗證決策樹模型   139 7.6  決策樹演算法的優缺點   140 7.7  本章小結   140 第8章  使用隨機森林演算法和boosting技術改進決策樹   142 8.1  集成學習技術：bagging、boosting和stacking   142 8.1.1  利用採樣資料訓練模型：bagging   143 8.1.2  從前序

模型的錯誤中進行學習：boosting   144 8.1.3  通過其他模型的預測進行學習：stacking   147 8.2  建立個隨機森林模型   148 8.3  建立個XGBoost模型   150 8.4  隨機森林和XGBoost演算法的優缺點   155 8.5  在演算法之間進行基準測試   155 8.6  本章小結   156 第Ⅲ部分  回歸演算法 第9章  線性回歸   158 9.1  什麼是線性回歸   158 9.1.1  如何處理多個預測變數   160 9.1.2  如何處理分類預測變數   162 9.2  建立個線性回歸模型   163 9.2.1

 載入和研究臭氧資料集   164 9.2.2  插補缺失值   166 9.2.3  自動化特徵選擇   168 9.2.4  在交叉驗證中包含插補和特徵選擇   174 9.2.5  理解模型   175 9.3  線性回歸的優缺點   178 9.4  本章小結   178 9.5  練習題答案   179 第10章  廣義加性模型的非線性回歸   180 10.1  使用多項式項使線性回歸非線性   180 10.2  更大的靈活性：樣條曲線和廣義加性模型   182 10.2.1  GAM如何學習平滑功能   183 10.2.2  GAM如何處理分類變數   184 10.3  

建立個GAM   184 10.4  GAM的優缺點   188 10.5  本章小結   188 10.6  練習題答案   189 第11章  利用嶺回歸、LASSO回歸和彈性網路控制過擬合   190 11.1  正則化的概念   190 11.2  嶺回歸的概念   191 11.3  L2范數的定義及其在嶺回歸中的應用   193 11.4  L1范數的定義及其在LASSO中的應用   195 11.5  彈性網路的定義   197 11.6  建立嶺回歸、LASSO和彈性網路模型   198 11.6.1  載入和研究Iowa資料集   199 11.6.2  訓練嶺回歸模型  

200 11.6.3  訓練LASSO模型   205 11.6.4  訓練彈性網路模型   208 11.7  對嶺回歸、LASSO、彈性網路和OLS進行基準測試並對比   210 11.8  嶺回歸、LASSO和彈性網路的優缺點   211 11.9  本章小結   212 11.10  練習題答案   212 第12章  使用kNN、隨機森林和XGBoost進行回歸   215 12.1  使用kNN演算法預測連續變數   215 12.2  使用基於決策樹的演算法預測連續變數   217 12.3  建立個kNN回歸模型   219 12.3.1  載入和研究燃料資料集   220 1

2.3.2  調節超參數k   224 12.4  建立個隨機森林回歸模型   226 12.5  建立個XGBoost回歸模型   227 12.6  對kNN、隨機森林和XGBoost模型的構建過程進行基準測試   229 12.7  kNN、隨機森林和XGBoost演算法的優缺點   230 12.8  本章小結   230 12.9  練習題答案   231 第Ⅳ部分  降維演算法 第13章  化方差的主成分分析法   234 13.1  降維的目的   234 13.1.1  視覺化高維數據   235 13.1.2  維數災難的後果   235 13.1.3  共線性的後果  

235 13.1.4  使用降維減輕維數災難和共線性的影響   236 13.2  主成分分析的概念   236 13.3  構建個PCA模型   240 13.3.1  載入和研究鈔票資料集   240 13.3.2  執行PA   242 13.3.3  繪製PCA結果   243 13.3.4  計算新資料的成分得分   246 13.4  PCA的優缺點   247 13.5  本章小結   247 13.6  練習題答案   247 第14章  化t-SNE和UMAP的相似性   249 14.1  t-SNE的含義   249 14.2  建立個t-SNE模型   253 14.2

.1  執行t-SNE   253 14.2.2  繪製t-SNE結果   255 14.3  UMAP的含義   256 14.4  建立個UMAP模型   258 14.4.1  執行UMAP   258 14.4.2  繪製UMAP結果   260 14.4.3  計算新資料的UMAP嵌入   261 14.5  t-SNE和UMAP的優缺點   261 14.6  本章小結   261 14.7  練習題答案   262 第15章  自組織映射和局部線性嵌入   263 15.1  先決條件：節點網格和流形   263 15.2  自組織映射的概念   264 15.2.1  創建節點

網格   265 15.2.2  隨機分配權重，並將樣本放在節點上   266 15.2.3  更新節點權重以更好地匹配節點內部樣本   267 15.3  建立個SOM   268 15.3.1  載入和研究跳蚤資料集   269 15.3.2  訓練SOM   270 15.3.3  繪製SOM結果   272 15.3.4  將新資料映射到SOM   275 15.4  局部線性嵌入的概念   277 15.5  建立個LLE   278 15.5.1  載入和研究S曲線資料集   278 15.5.2  訓練LLE   280 15.5.3  繪製LLE結果   281 15.6  建

立跳蚤資料集的LLE   282 15.7  SOM和LLE的優缺點   283 15.8  本章小結   284 15.9  練習題答案   284 第Ⅴ部分  聚類演算法 第16章  使用k-均值演算法尋找中心聚類   288 16.1  k-均值演算法的定義   288 16.1.1  Lloyd 演算法   289 16.1.2  MacQueen演算法   290 16.1.3  Hartigan-演算法   291 16.2  建立個k-均值演算法 模型   292 16.2.1  載入和研究GvHD資料集   292 16.2.2  定義任務和學習器   294 16.2.3

 選擇聚類的數量   295 16.2.4  調節k值和選擇k-均值演算法   298 16.2.5  訓練終的、調節後的k-均值演算法模型   301 16.2.6  使用模型預測新資料的聚類   303 16.3  k-均值演算法的優缺點   304 16.4  本章小結   304 16.5  練習題答案   304 第17章  層次聚類   306 17.1  什麼是層次聚類   306 17.1.1  聚合層次聚類   309 17.1.2  分裂層次聚類   310 17.2  建立個聚合層次聚類模型   311 17.2.1  選擇聚類數量   312 17.2.2  切割樹狀圖

以選擇平坦的聚類集合   317 17.3  聚類穩定嗎   318 17.4  層次聚類的優缺點   320 17.5  本章小結   320 17.6  練習題答案   320 第18章  基於密度的聚類：DBSCAN和OPTICS   323 18.1  基於密度的聚類的定義   323 18.1.1  DBSCAN演算法是如何學習的   324 18.1.2  OPTICS演算法是如何學習的   326 18.2  建立DBSCAN模型   331 18.2.1  載入和研究banknote資料集   331 18.2.2  調節ε和minPts超參數   332 18.3  建立OP

TICS模型   343 18.4  基於密度的聚類的優缺點   345 18.5  本章小結   346 18.6  練習題答案   346 第19章  基於混合建模的分佈聚類   348 19.1  混合模型聚類的概念   348 19.1.1  使用EM演算法計算概率   349 19.1.2  EM演算法的期望和化步驟   350 19.1.3  如何處理多個變數   351 19.2  建立個用於聚類的高斯混合模型   353 19.3  混合模型聚類的優缺點   356 19.4  本章小結   357 19.5  練習題答案   357 第20章  終筆記和進一步閱讀   359

20.1  簡要回顧機器學習概念   359 20.1.1  監督機器學習、無監督機器學習和半監督機器學習   360 20.1.2  用於平衡模型性能的偏差-方差平衡   362 20.1.3  使用模型驗證判斷過擬合/欠擬合   362 20.1.4  在超參數調節下化模型性能   364 20.1.5  使用缺失值插補處理缺失資料   365 20.1.6  特徵工程和特徵選擇   365 20.1.7  通過集成學習技術提高模型性能   366 20.1.8  使用正則化防止過擬合   366 20.2  學完本書後，還可以學習哪些內容   367 20.2.1  深度學習   36

7 20.2.2  強化學習   367 20.2.3  通用R資料科學和tidyverse   367 20.2.4  mlr教程以及創建新的學習器/性能度量   367 20.2.5  廣義加性模型   367 20.2.6  集成方法   368 20.2.7  支持向量機   368 20.2.8  異常檢測   368 20.2.9  時間序列預測   368 20.2.10  聚類   368 20.2.11  廣義線性模型   368 20.2.12  半監督機器學習   369 20.2.13  建模光譜數據   369 20.3  結語   369 附錄  複習統計學概念  

370

運動訓練合併飲食介入對老年下肢退化性關節炎患者之成效

為了解決r語言統計的問題，作者廖峻德 這樣論述：

研究背景下肢退化性關節炎為老年人常見的肌肉骨骼系統病症，其主要病徵為疼痛，進而導致肌肉無力、身體活動功能低下與失能。近年來多數學者認為退化性關節炎之肌肉無力、活動功能低下以及疾病嚴重程度皆與老年肌肉質量減損有密切關聯，因此退化性關節炎老年有潛在發生肌少症(sarcopenia)之危險。此外，肥胖亦為老年退化性關節炎之危險因子。退化性關節炎老年面臨多重風險因子，確認跨專業介入的有效性和效率極為重要，得以使此老年族群達到健康狀態。過去研究顯示在肌少症或肥胖症老人患者的運動訓練期間，同時給予飲食介入(diet intervention)包括蛋白質營養補給(protein supplement)與減

重(weight loss)，可以更加提升運動後肌肉質量增長與力量強化。針對老年人下肢膝或髖之退化性關節炎，過去已經有相當多的研究探討其運動訓練療效，包括阻力訓練與複合式運動訓練(multicomponent exercise training)，系統性回顧及統合分析的結果顯示，相較於無運動介入之對照組，接受肌力強化訓練的實驗組老人，能夠有效增加身體瘦肉的質量、肌肉厚度與肌肉截面積。然而，結合飲食介入(包括蛋白質營養補給與減重)與運動訓練的治療方式，對於罹患下肢退化性關節炎的老年患者，是否為有效益的介入方法尚未清楚，因此本研究擬應用系統性回顧及統合分析方法，探討飲食介入合併運動訓練對於老年人罹

患下肢退化性關節炎的整體效益，並且比較各種飲食介入(白質營養補給與減重)與運動訓練(阻力訓練與複合式運動訓練)合併模式之相對效益。研究目的本論文研究目的為(1)應用系統性回顧及統合分析方法，探討飲食介入(diet intervention)合併運動訓練，對下肢退化性關節炎之老年患者的肌肉質量與臨床預後(包括疼痛、肌力、身體活動功能以及日常生活功能等)之介入效益；(2)應用次群組分析(subgroup analysis)檢驗影響介入效益的因子，包括性別、運動訓練型式(阻力訓練與複合式訓練)、飲食介入方式(蛋白質補充與減重)、介入時間週期等；(3)應用統合迴歸分析方法，探討下肢退化性關節炎之老年患

者，在接受飲食介入合併運動訓練後，其肌肉質量增加改變量與治療效果量(包括疼痛、肌力、身體活動功能以及日常生活功能等)之間的關聯；(4) 應用網絡統合分析(network meta-analysis)檢定各種飲食介入方式及運動訓練模式之相對治療效益。研究方法本研究將以系統性文獻回顧與統合分析方法，分析飲食介入合併運動訓練介入對下肢退化性關節炎老年之成效。研究遵循Preferred Reporting Items for Systematic Reviews and Meta-Analysis的指引，使用多種數位研究資料庫進行線上檢索，檢索時間區段是從該數據庫最早的時間至2020年01月31日。以

探討飲食介入合併運動訓練之療效的隨機對照試驗研究為標的，其研究對象為60歲以上且具有退化性膝或髖關節炎之診斷的老年人。主要預後因子為肌肉質量(muscle mass)，包括瘦肉質量、瘦肉質量指數、肌肉厚度與肌肉截面積。次要預後因子為疼痛、手握力、下肢肌力、步行速度、下肢活動、日常生活功能、關節炎發炎因子以及生成激素。研究使用PEDro量表評估偏倚風險，使用漏斗圖和視覺評估法驗證出版偏誤，以及使用Q test及I2 index評估異質性。本研究將使用Review Manager 5.3版軟體進行配對統合分析(pairwise meta-analysis)，以標準化加權平均差(standard m

ean difference)呈現連續性預後因子的資料。此外，將建立逆方差加權(inverse-variance weighting)統合回歸模型，以檢驗肌肉質量增加與臨床預後因子治療效果量的關聯。最後，使用R語言統計軟體進行網絡統合分析(network meta-analysis)檢定各種飲食介入方式及運動訓練模式之相對治療效益。此研究結果能夠提供飲食介入合併運動訓練對下肢退化性關節炎之實證療效，將有助於臨床醫療人員擬定適合此疾患之老年患者的治療策略。研究結果本研究收納38篇隨機對照試驗研究。 偏倚風險PEDro量表分數之中位數(median)為7/10 (range 3/10 to 9/1

0)。 配對統合分析結果顯示，與控制組比較，飲食介入合併運動訓練對於肌肉質量增加(SMD = 0.67; 95%CI: 0.41–0.93, P < 0.00001)、疼痛減緩(SMD = 1.07; 95% CI: 0.72−1.41, P < 0.00001)、肌力增加(SMD = 0.58; 95% CI: 0.32−0.83; P < 0.0001)、步行能力增加(SMD = 0.61; 95% CI: 0.26−0.96; P = 0.0007)、整體功能增進(SMD = 1.20; 95% CI: 0.78−1.61; P < 0.00001)、關節炎發炎因子(C-reactive

protein reduction; SMD = 0.24; 95% CI: 0.12−0.35; P < 0.0001)以及促進生長激素分泌(SMD = 1.53; 95% CI: 0.42−2.63; P = 0.007)具有顯著效益。統合回歸分析結果顯示，肌肉質量改變量與肌力效果量(β = 0.11, 95% CI: 0.05, 0.17; P = 0.01)以及整體功能效果量(β = 0.06, 95% CI: 0.02, 0.10; P = 0.02)呈現顯著關聯。網絡統合分析結果顯示，與控制組比較，蛋白質補給合併阻力訓練對於肌肉質量增長具有最好之效益(SMD = 1.61, P-

score = 0.94)，其次依序為蛋白質補給合併複合式運動訓練(SMD = 1.03, P-score = 0.78)、減重合併複合式運動訓練(SMD = 0.87, P-score = 0.70)以及減重合併阻力訓練(SMD = 0.79, P-score = 0.63).研究討論針對下肢退化性關節炎老年，飲食介入合併運動訓練介入對肌肉質量增長與臨床預後具有顯著效益。本研究進一步發現，肌肉質量增加量對於肌力以及整體功能之治療效果量具有正面之貢獻。最後，本研究比較各種飲食介入合併運動訓練介入模式，結果顯示蛋白質補給合併複合式運動訓練以及減重合併複合式運動訓練之介入模式分別對人工節置換術患者

以及輕中度退化性關節炎老年之肌肉質量增長可以發揮最大治療效益。