.png){kind=icon}
返回
Bayesian sequential ensemble learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s41060-025-00925-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
能够捕捉重要影响效应的高效方法，在预测感兴趣事件发生时间方面，是医学预后中的一个关键概念。作为主要关注点，高维特征空间需要在生存分析中得到处理。为此，我们提出了一种基于特征半随机选择的全新集成框架，可用于在高维特征空间中进行生存预测。我们提出了一种序列集成学习方案，其中每个生存树都在特征子空间上进行训练。我们引入了一种贝叶斯框架，并采用共轭先验，通过半随机过程在每个步骤中选择特征。为探索学习过程中最具影响力的特征，我们利用了Beta-Bernoulli赌博机方案。为进行解释，我们使用贝叶斯框架提供的后验均值作为变量重要性的度量。我们基于真实数据分析评估所提方法的性能，并通过模拟研究验证了新型变量重要性度量的有效性。
Keyword:
Survival analysis
High-dimensional data
Multi-armed bandit problem
Variable importance measure
Ensemble learning
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Optimizing Survival Analysis of XGBoost for Ties to Predict Disease Progression of Breast Cancer优化XGBoost的生存分析以预测乳腺癌的疾病进展
PREAI
分享收藏Large-scale benchmark study of survival prediction methods using multi-omics data基于多组学数据的大规模生存预测方法基准研究
OAAI
OAAI分享收藏Standard errors and confidence intervals for variable importance in random forest regression, classification, and survival随机森林回归、分类和生存中变量重要性的标准误差和置信区间OAAI
OAAI分享收藏Learning from high dimensional data based on weighted feature importance in decision tree ensembles基于决策树集合加权特征重要性的高维数据学习
PREAI
分享收藏
查看更多内容