让我定义问题空间。

我正在处理一个二进制分类问题。我正在尝试建立因果模型和预测模型。

我的目标是找到重要特征的列表（基于因果模型）并使用它来构建预测模型。我确实参考了这篇文章中提供的建议，它非常有用，但由于我在 ML 领域的局限性，我还有一些问题。

我从文献中了解到，有两种方法可以调整/控制混杂因素。一个是通过study design阶段，另一个是在modelling/analysis阶段。

由于我正在进行回顾性数据分析，我只能在分析阶段调整混杂因素。

我们知道，Age像“性别导致心脏病”这样的典型例子中的某些特征是一个混杂因素。

1）所以在分析阶段，我们age在模型中包含一个变量。同样，我们能想到的所有潜在混杂因素都作为特征放入模型中。例如：X_train将包含我认为是潜在混杂因素的所有列/特征，然后将其输入模型（逻辑回归）。我到这里了吗？

2）这是否意味着我们的 LR 模型针对混杂因素进行了调整？您将如何在逻辑回归建模阶段进行混杂调整？如果我们在模型中包含所有潜在的混杂因素，并且如果已经存在coeff的变量 (genderage

3) 那么，为什么这么logistic regression doesn't consider feature interaction说呢？特征交互与混淆不同吗？我知道特征交互通常表示为，gender*age但这是否意味着两个变量共同影响结果？混杂的意思不一样吗？

4）拥有交互变量有什么用处？我gender*age的意思是如果影响结果，我能理解gender（个人）和age（个人）影响结果吗？

5）我看到人们通常会创建2x2称为分层的表以进行分层分析和计算risk ratio并将其与crude risk ratio. 但是，对于我认为在我的数据集中作为混杂因素的所有变量，我们如何才能做到这一点呢？我知道我们可以使用诸如SPSS, STATAetc 之类的工具，但这是唯一的方法吗？但是我们不能使用多元回归吗？

6）是否必须将我们所有的连续变量转换为一些分类变量以进行分析/混杂调整？

7）任何简单的示例/解释都会有所帮助，因为我找不到任何教程来调整逻辑回归期间的混杂并找到重要变量。我一直在提到这个，虽然它很有用，但有些链接坏了。出现了很多问题，因为我既不是统计人员也不是生物统计人员。我通常使用经典的 ML 算法构建模型，现在尝试学习所有这些。