Aprendizaje supervisado para predecir variables modificadoras desconocidas en lasso flexible.

Área de la Ciencia:

• Aprendizaje automático Aprendizaje automático.
• Modelado estadístico Modelado estadístico
• El análisis predictivo es analítico.

Sus antecedentes:

• La predicción precisa del resultado requiere el modelado de interacciones de características complejas y modificadores específicos del contexto.
• El marco flexible de lasso integra modificadores, pero a menudo no se observan y requieren una estimación en escenarios del mundo real.

Objetivo del estudio:

• Investigar algoritmos supervisados de aprendizaje automático para la estimación de la matriz modificadora (Z) en modelos de lasso flexible.
• Evaluar el rendimiento en un escenario conocido a desconocido utilizando conjuntos de datos simulados y del mundo real.
• Compara la precisión de la clasificación de modificadores y la precisión de la predicción de la respuesta final.

Principales métodos:

• Evaluó ocho algoritmos supervisados de aprendizaje automático para la estimación de la matriz de modificadores.
• Se utilizaron datos simulados y dos conjuntos de datos del mundo real: superconductividad y expresión de proteínas de ratones.
• Se analizó tanto la precisión de la clasificación para la estimación del modificador como la precisión de la regresión para la predicción del resultado.

Principales resultados:

• Los modelos de conjunto basados en árboles (XGBoost, Bosque aleatorio, Árbol de decisión) demostraron una precisión superior de clasificación de modificadores (AUC > 0,99).
• Los modelos de regresión regularizada (Lasso, Elastic Net) lograron el mejor rendimiento en la predicción de la respuesta final.
• El rendimiento se evaluó a través de conjuntos de datos simulados y del mundo real.

Conclusiones:

• Se recomienda un enfoque híbrido que combine clasificadores basados en árboles para la estimación de modificadores y regresión regularizada para la predicción.
• Esta estrategia híbrida mejora tanto la precisión como la interpretabilidad de las predicciones de resultados.
• El estudio proporciona información sobre la optimización de los modelos de lasso flexibles para aplicaciones prácticas.