Lasy losowe - ocena jakości prognostycznej cech

• Autorzy: Krętowska M.

Warianty tytułu

EN

Random forests - evaluation of predictive accuracy

• Języki publikacji: PL

Abstrakty

PL

W pracy bezwzględny błąd predykcji jest wykorzystywany do oceny jakości prognostycznej poszczególnych cech. Narzędzie prognostyczne - lasy losowe - jest konstruowane w celu uzyskania estymatora funkcji przeżycia. Jest on następnie porównywany z estymatorem funkcji przeżycia Kaplana-Meiera, utworzonym przy założeniu jednorodności populacji. Elementem składowym lasów są dipolowe drzewa przeżycia. Zastosowanie dipolowej funkcji kryterialnej pozwala wykorzystać niepełną informację o czasie zajścia porażki, pochodzącą z obserwacji obciętych.

EN

In the paper, predictive accuracy measured as the absolute predictive error is used to evaluate the quality of covariates. The prognostic tool - random forests - is built to receive the aggregated survival function. The function is compared to Kaplan-Meier estimator of survival function with assumption that the population is homogenous. The induction of individual dipolar survival tree is based on minimization of a piece-wise linear function - dipolar criterion. The algorithm allows using the information from censored observations for which the exact survival time is unknown.

Słowa kluczowe

PL

lasy losowe; analiza przeżywalności; bezwzględny błąd predykcji

EN

random forest; survival analysis; predictive accuracy; explained variation

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
• Rocznik: 2007
• Tom: Z. 2
• Strony: 67--77
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Krętowska M.

• Politechnika Białostocka, Wydział Informatyki, Białystok

Bibliografia

• [1] Biganzoli, E., Boracchi, P., Mariani, L., Marubini, E., Feed forward neural networks for the analysis of censored survival data: a partial logistic regression approach, Statistics in Medicine 17(10), 1998, str. 1169-1186
• [2] Bobrowski, L., Design of piecewise linear classifiers from formal neurons by some basis exchange technique, Pattern Recognition 24(9), 1991, str. 863-870.
• [3] Bobrowski, L., Krętowska, M., Krętowski, M., Design of neural classifying networks by using dipolar criterions, Proceedings of the 3rd Conference on Neural Networks and their Applications, Częstochowa, 1997, str. 689-694.
• [4] Bobrowski, L., Krętowski, M., Induction of multivariate decision trees by using dipolar criteria, Zighed D.A., Komorowski J., Żytkow J. (Eds.): PKDD 2000, LNAI 1910, Springer-Verlag, 2000, str. 331-336
• [5] Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J., Classification and Regression Trees, Wadsworth, 1984.
• [6] Breiman, L., How to use survival forest. [http://stat-www.berkeley.edu/ users/breiman]
• [7] Ciampi, A., Negassa, A., Lou, Z., Tree-structured prediction for censored survival data and the Cox model, Journal of Clinical Epidemiology 48(5), 1995, str. 675-689
• [8] Cox, D.R., Regression models and life tables (with discussion), Journal of the Royal Statistical Society B 34, 1972, str. 187-220
• [9] Faraggi, D., Simon, R., A neural network model for survival data, Statistics in Medicine 14, 1995, str. 73-82
• [10] Fleming, T. R., Harrington, D. P., Counting Processes and Survival Analysis, John Wiley & Sons, Inc., 1991
• [11] Graf, E., Schmoor, C., Sauerbrei, W., Schumacher, M., Assessment and comparison of prognostic classification schemes for survival data, Statistics in Medicine 18, 1999, str. 2529-2545
• [12] Hothorn, T., Lausen, B., Benner, A., Radespiel-Troger, M., Bagging survival trees, Statistics in medicine 23, 2004, str. 77-91
• [13] Kalbfleisch, J.D., Prentice, R.L., The statistical analysis of failure time data, Wiley, New York, 1980.
• [14] Kaplan, E.L., Meier, P., Nonparametric estimation from incomplete observations, Journal of the American Statistical Association 5, 1958, str. 457-481
• [15] Korn, E. L., Simon, R., Measures of explained variation for survival data, Statistics in medicine 9, 1990, str. 487-503
• [16] Krętowska, M.: Random forest of dipolar trees for survival prediction, Lecture Notes in Computer Science 4029, Lecture Notes in Artificial Intelligence, 2006, str. 909-918.
• [17] Krętowska, M., Dipolar regression trees in survival analysis, Biocybernetics and biomedical engineering 24(3), 2004, str. 25-33
• [18] Schemper, M., Predictive accuracy and explained variation, Statistics in medicine 22, 2003, str. 2299-2308
• [19] Schemper, M., Henderson, R., Predictive accuracy and explained variation in Cox regression, Biometrics 56(1), 2000, str. 494-255