抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高次元予測は,サンプルより多くの変数を有するデータを考慮する。ジェネリック研究目標は,最良の予測子を見つけ,変数を選択することである。結果は,共データの形式における事前情報の利用によって改善され,サンプルではなく,変数に関して補足的なデータを提供した。適応リッジペナルティ化一般化線形およびCoxモデルを考察し,その中で,可変比リッジペナルティを共データに適用して,より重要な変数に対して先験的な重みを与えた。Rパッケージecpcは,本来,カテゴリー共データ,すなわち変数群,および連続共データを含む,様々なおよびおそらく複数の共データソースを収容した。しかし,連続共データは,適応離散化,潜在的に非能率的モデリングおよび情報喪失によって扱われた。ここでは,一般的共データモデル,特に連続共データに対する方法とソフトウェアへの拡張を示した。基底において,古典的線形回帰モデル,共データに関する事前分散重みを回帰する。次に,Coデータ変数を経験的Bayesモーメント推定で推定した。古典的回帰フレームワークにおける推定手順を配置した後,一般化加法及び形状制約共データモデルへの拡張は簡単である。さらに,リッジペナルティがRパッケージスキージーにより弾性ネットペナルティにいかに変換されるかを示した。シミュレーション研究では,まず,拡張から元の方法までの連続共データに対する様々な共データモデルを比較した。第二に,変数選択性能を他の変数選択法と比較する。さらに,論文を通していくつかの例におけるパッケージの使用を実証した。【JST・京大機械翻訳】