Wyniki wyszukiwania - BazTech

1

Feature Selection for Prognostic Models by Linear Separation of Survival Genetic Data Sets

Bobrowski L., Łukaszuk T.

Advances in Computer Science Research

|

2018

|

Nr 14

31--54

EN

Designing regression models based on high dimensional (e.g. genetic) data sets through exploring linear separability problem is considered in the paper. The linear regression model designing has been reformulated here as the linear separability problem. Exploring the linear separability problem has been based on minimization of the convex and piecewise linear (CPL) criterion functions. The minimization of the CPL criterion functions was used not only for estimating the prognostic model parameters, but also for most effective selecting feature subsets (model selection) in accordance with the relaxed linear separability (RLS) method. This approach to designing prognostic models has been used in experiments both with synthetic multivariate data, and with genetic data sets containing censored values of dependent variable. The quality of the prognostic models resulting from the linear separability postulate has been evaluated by using the measure of the model discrepancy and the estimated classification error rate. In order to reduce the bias of the evaluation, the value of the model discrepancy and the classification error have been computed in different feature subspaces, in accordance with the cross-validation procedure. A series of new experiments described in this paper shows that the designing of regression models can be based on the linear separability principle. More specifically, the high-dimensional genetic sets with censored dependent variable can be used in designing procedure. The proposed measure of prognostic model discrepancy can be effectively used in the search for the optimal feature subspace and for selecting the linear regression model.

PL

W artykule rozważane jest projektowanie modeli regresji opartych na wysokowymiarowych (np. genetycznych) zbiorach danych poprzez badanie problemu separacji liniowej. Projektowanie modelu regresji liniowej zostało tu przeformułowane jako problem separacji liniowej. Eksploracja problemu separacji liniowej opiera się na minimalizacji wypukłej i odcinkowo-liniowej (CPL) funkcji kryterialnej. Minimalizacja funkcji kryterialnej typu CPL została wykorzystana nie tylko do oszacowania parametrów modelu prognostycznego, ale również do skutecznego wyboru podzbioru cech (selekcji modelu) zgodnie z metodą relaksacji separacji liniowej (RLS). Takie podejście do projektowania modeli prognostycznych zostało wykorzystane w eksperymentach zarówno z syntetycznymi danymi wielowymiarowymi, jak i do zbiorów danych genetycznych zawierających cenzurowane wartości zmiennej zależnej. Jakość modeli prognostycznych otrzymywanych w oparciu o postulat liniowej separacji została oceniona przy użyciu miary rozbieżności modelu i szacowanego wskaźnika błędu klasyfikacji. W celu zmniejszenia obciążenia oceny, obliczono wartości rozbieżności modelu i błędu klasyfikacji w różnych podprzestrzeniach cech, zgodnie z procedurą walidacji krzyżowej. Seria nowych eksperymentów opisanych w niniejszym opracowaniu pokazuje, ze projektowanie modeli regresji może być oparte na zasadzie separacji liniowej. W szczególności, w procedurze projektowania można użyć wysokowymiarowych zbiorów genetycznych o cenzurowanej zmiennej zależnej. Proponowana miara rozbieżności modelu prognostycznego może być skutecznie wykorzystana w poszukiwaniu optymalnej podprzestrzeni cech i selekcji modelu regresji liniowej.

2

Linear regression modeling of interval-censored survival times based on a convex piecewise-linear criterion function

Kałużny P., Bobrowski L.

Biocybernetics and Biomedical Engineering

|

2012

|

Vol. 32, no. 3

69-78

EN

Regression models of censored survival data are often required to handle the cases, where information on the dependent (response) variable is only available as intervals, within which the actual values are located. We report on implementation and some preliminary tests of a new general method for regression with an interval-censored response variable. This method is based on minimization of a convex piecewise-linear (CPL) criterion function introduced earlier for perceptron-type classifier design. The presented interval regression method (CPL- IR) can handle arbitrary pattern of exact and left-, right-, or interval-censored data in one flexible computational framework.

3

Liniowe modele prognostyczne oparte na regresji przedziałowej z funkcjami typu CPL

Bobrowski L.

Symulacja w Badaniach i Rozwoju

|

2010

|

Vol. 1, nr 2

109-117

PL

Wielowymiarowe modele regresyjne są używane dla celów prognozowania. Parametry takich modeli estymowane są na podstawie zbioru wektorów cech grupujących wartości zmiennych niezależnych oraz wartości zmiennej zależnej. W wielu ważnych zastosowaniach dokładne wartości zmiennej zależnej nie mogą być określone a znane są tylko przedziały, które zawierają te wartości. W takich przypadkach stosuje się metody regresji przedziałowej. W pracy opisana jest konstrukcja liniowych modeli regresyjnych oparta na minimalizacji wypukłych i odcinkowo liniowych funkcji kryterialnych (typu CPL), które są zdefiniowane na przedziałowych zbiorach uczących.

EN

Multivariate regression models are used for the prognosis purposes. Parameters of such models are estimated on the basis of feature vectors (independent variables) combined with values of response (target) variable. The exact values of response variable can be not determined exactly in some important applications. For example, the values of response variable can be censored and given as intervals. The interval regression approach has been proposed for designing prognostic tools in such circumstances. The possibility of using the convex and piecewise linear (CPL) functions for designing interval regression models is examined in the paper.