.png){kind=icon}
返回
An accelerated failure time boosting algorithm based on neural additive models
.png){kind=icon}
PRE
AI
DOI：10.1080/02664763.2026.2661267.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新的适用于生存数据的可解释集成学习算法，即基于神经加性模型（NAMs）的加速失效时间提升算法（AFTBoost-NAMs），该算法是对神经加性模型和梯度提升算法在研究右截尾生存数据方面的扩展。AFTBoost-NAMs算法的第一步是用神经加性模型的输出函数替换加速失效时间模型中基于秩损失的协变量线性组合，第二步是利用梯度提升算法的框架优化模型。此外，为评估新提出的AFTBoost-NAMs算法的性能，我们在4个模拟和6个真实数据集上将其与4种其他著名的生存回归模型进行比较，采用一致性指数和扩展均方误差两种评估指标。以前列腺癌数据集为例分析模型的可解释性。根据测试数据集的比较结果和训练数据集的全局解释，新提出的AFTBoost-NAMs在预测精度方面表现良好，且在可解释性方面有效。
Keyword:
Accelerated failure time
neural additive models
boosting algorithm
interpretability
期刊
J
IF:
1.1
论文数:
131
被引数:
4.2K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容