.png){kind=icon}
返回
Reduction techniques for survival analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s10985-026-09714-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了我们所谓的生存分析缩减技术，即在不忽略生存数据特性的前提下，将生存任务“缩减”为更常见的回归或分类任务的技术。此类技术特别有助于基于机器学习的生存分析，因为它们允许在不要求定制学习器的情况下，将机器学习和深度学习的标准工具应用于许多生存任务。我们概述了不同的缩减技术并讨论了各自的优缺点。我们还提供了一些缩减技术的规范实现，使其可直接用于标准机器学习工作流程中。我们通过专用示例说明每种缩减技术，并进行了基准分析，将其预测性能与现有的生存分析机器学习方法进行比较。
Keyword:
Reduction techniques
Survival analysis
Piecewise exponential
Discrete time survival analysis
Pseudo values
期刊
L
IF:
1
论文数:
40
被引数:
0
机构
引用论文
XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
Adapting machine learning techniques to censored time-to-event health record data: A general-purpose approach using inverse probability of censoring weighting将机器学习技术应用于审查的时间到事件健康记录数据: 使用审查权重的逆概率的通用方法OAAI
OAAI分享收藏Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges超参数优化: 基础、算法、最佳实践和开放挑战OAAI
OAAI分享收藏分享收藏
查看更多内容