正則化回帰への事前知識の組込み【JST・京大機械翻訳】

Zeng, C.; Thomas, D. C.; Lewinger, J. P.

プレプリント

J-GLOBAL ID：202202204929647520 整理番号：22P0227569

正則化回帰への事前知識の組込み【JST・京大機械翻訳】

Incorporating Prior Knowledge into Regularized Regression

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年03月05日プレプリントサーバーでの情報更新日： 2020年03月05日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

健康結果の統計的モデリングに用いられる遺伝子発現,メチル化,および遺伝子型のようなゲノム特徴に関連する動機は,機能アノテーション,経路情報,および以前の研究からの知識のようなメタ特徴の豊富なセットがあり,モデルの解釈を容易にするために事後の事後に使用できる。しかし,このメタ特徴情報を用いて,ポストホックよりはむしろ,モデル解釈の強化と同様に,予測性能の改善をもたらす。結果:外部メタ特徴の事前統合を可能にする新しいペナルティ回帰アプローチを提案した。この方法は,各回帰係数に対する個別ペナルティパラメータを組み込むことによりLASSO回帰を拡張した。ペナルティパラメータは次にメタ特徴の対数線形関数としてモデル化され,近似経験的Bayes手法を用いてデータから推定される。経験的Bayes推定に基づく限界尤度の最適化を,高速かつ安定した主要化最小化手順を用いて行った。シミュレーションを通して,個別化ペナルティによる提案回帰は,外部データが情報である場合,パラメータ推定と予測性能の両方に関して標準LASSOを凌駕できることを示した。さらに,骨密度と乳癌の遺伝子発現研究への応用による著者らのアプローチを示した。アベイラビリティと実装は,CRANからのダウンロードのために自由に利用可能なRパッケージxtuneに実装されている。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

統計学 , システム・制御理論一般 , 分子・遺伝情報処理

, ,

前のページに戻る