数据泄漏在基于连接组的机器学习模型中增加了预测性能
Matthew Rosenblatt1, Link Tejavibulya2, Rongtao Jiang3
1Department of Biomedical Engineering, Yale University, New Haven, CT, USA. matthew.rosenblatt@yale.edu.
Nature communications
|February 28, 2024
概括
神经成像预测模型中的数据泄露,特别是通过特征选择和重复对象,会增加性能. 避免泄漏对于有效和可重复的脑行为研究至关重要,特别是在小数据集的情况下.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
背景情况:
- 神经成像中的预测建模旨在揭示大脑行为关系并确保可概括性.
- 数据泄露,即训练测试数据分离的违规行为,损害了模型有效性,并且在机器学习中很普遍.
- 了解泄漏效应对于评估现有的神经成像文献至关重要.
研究的目的:
- 调查五种不同的数据泄露类型对神经成像预测模型的影响.
- 评估泄漏如何影响功能和结构的基于连接组的机器学习.
- 为了确定数据集大小对泄漏效应的影响.
主要方法:
- 研究了五种形式的数据泄露:特征选择,共变量校正和主体间依赖.
- 应用机器学习模型在四个数据集中的功能和结构连接数据.
- 在三种不同的表型上评估模型性能.
主要成果:
- 通过特征选择和重复对象的泄漏显著增加了预测性能.
- 其他泄漏形式对预测模型准确度的影响最小.
- 较小的数据集放大了数据泄露的有害影响.
结论:
- 数据泄露对神经成像预测模型有不同的影响,有些形式比其他形式更有害.
- 特征选择和主题重复是避免的关键泄漏点.
- 通过防止泄漏来确保数据完整性对于提高神经成像研究的有效性和可重复性至关重要.
