ecpc:高次元予測のための一般的共データモデルのためのRパッケージ【JST・京大機械翻訳】

van Nee Mirrelijn M.; Wessels Lodewyk F. A.; van de Wiel Mark A.

プレプリント

J-GLOBAL ID：202202216392656909 整理番号：22P0350727

ecpc:高次元予測のための一般的共データモデルのためのRパッケージ【JST・京大機械翻訳】

ecpc: An R-package for generic co-data models for high-dimensional prediction

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： 2022年05月16日プレプリントサーバーでの情報更新日： 2022年05月16日
JST資料番号： O7000B 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)

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】

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

数値計算 , 統計学

, , ,

前のページに戻る