文献

J-GLOBAL ID：201702236351503746   整理番号：17A0323604

教師つき特徴グループ化によるL1ノルム予測モデルの安定化【Powered by NICT】

Stabilizing l 1 -norm prediction models by supervised feature grouping

著者 (4件)： Kamkar Iman (Centre for Pattern Recognition and Data Analytics, Deakin University, Australia) ,  Gupta Sunil Kumar (Centre for Pattern Recognition and Data Analytics, Deakin University, Australia) ,  Phung Dinh (Centre for Pattern Recognition and Data Analytics, Deakin University, Australia) ,  Venkatesh Svetha (Centre for Pattern Recognition and Data Analytics, Deakin University, Australia)
資料名： Journal of Biomedical Informatics  (Journal of Biomedical Informatics)
巻： 59  ページ： 149-168  発行年： 2016年 
JST資料番号： B0827A  ISSN： 1532-0464  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 新たな電子医療記録(EMR)は,現代のヘルスケアの改良が行われた。これらの記録は,臨床予測モデルを構築するために使用される大きな可能性を持っている。しかし,それらの使用における問題は,それらの高い次元である。多くの情報は予測には関係ないと考えられるので,予測モデルの基盤となる複雑性は高いとは言えない。この問題を扱うために一般的な方法は,特徴選択を用いることである。Lassoと1-ノルムベースの特徴選択法は有望な結果を示した。しかし,相関特徴の存在下で,これらの方法は,データの小さな変化によって著しく変化した特徴を選択した。は,臨床医が安定した特徴集合は,臨床意思決定のための重要なを得るために妨げた。グルーピング相関変数は特徴選択の安定性を改善することができる,しかし,そのようなグループ分けは通常知られておらず,最適性能のために推定する必要がある。この問題を解決するために,著者らは同時に相関特徴のグループ分けを学習し,安定した特徴選択を行うことができる新しいモデルを提案した。制約付最適化問題としてモデルを定式化し,保証された収束をもつ効率的な解を提供する。人工的および実世界データセットの両者を用いた著者らの実験は,提案したモデルはLasso,多くの既存の最先端収縮と分類法よりも有意に安定であることを示した。更なる予測性能の観点から,提案した方法は,一貫してLassoと他のベースラインよりも優れていることを示した。著者らのモデルは,様々な医療問題のための安定したリスク因子を選択するために使用できるので,正確な意思決定に向けた臨床医を支援することができる。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 特徴選択 ,  定式化 ,  電子カルテ ,  基準線 ,  健康管理 ,  危険因子 ,  意思決定 ,  *予測モデル ,  制約付最適化問題 ,  病歴
準シソーラス用語： 予測性能 ,  分類法 ,  臨床医 ,  複雑性 ,  *L1ノルム , 【Automatic Indexing@JST】

著者キーワード (4件)： 教師つき特徴グループ化 ,  特徴選択 ,  安定性 ,  Lasso

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (5件)： 教師 ,  グループ化 ,  L1ノルム ,  予測モデル ,  安定化