Nov, 2008

随机生存森林

PDF
TL;DR本研究介绍了一种名为随机生存树的方法，用于分析右侧截尾生存数据，其新的生存分割规则和有用于缺失数据的新算法，并引入了 “事件保全原则” 用于定义集成死亡率，以预测死亡率，并提供了几个实证例子。
发现论文，激发创造
  • 随机生存森林的一致性

    通过引入新的随机生存森林集成学习方法，本文证明了该方法在分裂规则、自举和随机变量选择下的一致性，同时介绍了一种新的处理无限标签算法的计算方法。

    Nov, 2008

  • 利用最大选择排名统计方法的随机生存森林中无偏分裂变量选择

    本文介绍一种使用最大选择秩统计量的随机森林方法来分析生存数据，该方法可以避免变量选择偏倚并检测非线性影响，相对于传统方法和条件推断森林法可以提高生存预测性能且计算速度更快。

    May, 2016

  • 教授模型生存力：适当评分规则和具有竞争风险的随机优化

    当数据存在右侧截断情况时，生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比，这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

    Jun, 2024

  • 最佳生存树：一种动态规划方法

    基于历史数据，Survival Analysis 和 Survival Trees 使用动态规划提供了具有最优性保证的方法，发现复杂的非线性关系，并在实验中表现出良好的时间和性能。

    Jan, 2024

  • 基于 Copula 的深层生存模型 —— 用于相关截尾数据的分析

    该论文介绍了一种参数化的生存模型，通过放宽条件独立性的假设，扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。

    Jun, 2023

  • 大数据的随机森林

    本文主要关注于基于分类问题的随机森林模型处理大数据问题的现有方案，并尝试了五个变体实验，探究它们的相对性能和局限性。

    Nov, 2015

  • 随机森林模型分析

    研究了随机森林模型的统计性质，证明其是一致的，适应于稀疏数据，收敛速度只与有效特征的数量有关。

    May, 2010

  • 深度递归生存分析

    该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

    Sep, 2018

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

    Mar, 2024

  • 利用随机森林估计和推断异质性处理效应

    本文介绍了一种非参数因果森林方法，用于估计异质性处理效应，并讨论了一种实用方法以构建渐近置信区间来评估真实处理效应，结果表明在存在无关协变量的情况下，因果森林方法比最近邻匹配等经典方法更为有效。

    Oct, 2015