.png){kind=icon}
返回
An iterative feature selection framework for statistical classification: The LR-GMM OctoCore model
.png){kind=icon}
PRE
AI
DOI：10.1080/03610926.2025.2602742.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
逻辑回归（LR）因其简单性和可解释性，在医学数据分析中广泛用于疾病预测和诊断。然而，其线性假设限制了其在高维和复杂医学数据集中的有效性。高斯混合模型（GMMs）能够捕捉复杂数据分布并识别患者亚组，但缺乏有效的特征模板以支持医学研究和相关领域的应用。为解决这些挑战，我们提出了LR-GMM OctoCore模型，该模型结合了GMM的概率建模与LR的分类优势。模型首先使用LR，并将低置信度样本传递给并行GMM链，其中多个不同初始化的GMM探索潜在分布模式以优化分类决策。在推理阶段（无真实标签时），通过LR后验概率置信阈值tau p触发从LR到GMM的转换，确保训练与推理的一致路由规则。模拟研究实验表明，OctoCore模型能有效处理各类数据分布，克服线性不可分数据的局限性，实现更优的分类结果。在实证分析中，我们在三个医学数据集和三个跨领域分类任务上评估了该模型。结果显示，OctoCore在二分类和多分类任务中均表现出高预测能力，优于传统机器学习（ML）模型。尽管仍处于早期完善阶段，OctoCore具有显著的未来应用潜力。
Keyword:
Classification
logistic regression
Gaussian mixture model
hybrid model
machine learning
期刊
C
IF:
0.8
论文数:
221
被引数:
0
机构
引用论文
.png){kind=icon}
A Study of Data Classification and Selection Techniques for Medical Decision Support Systems医疗决策支持系统中数据分类与选择技术的研究
PREAI
分享收藏
查看更多内容