一个深度神经网络双部分模型和特征重要性测试为半连续数据

科学领域:

• 生物统计学 生物统计学
• 机器学习 机器学习
• 健康 数据科学 数据科学

背景情况:

• 半连续数据,以零和正值的组合为特征,在临床环境中很普遍,例如术后疼痛 (POP) 评分.
• 传统的两部分模型在健康数据中常见的非线性和非添加关系中扎.
• 现有的方法可能无法充分捕捉影响健康结果的复杂相互作用.

研究的目的:

• 为半连续数据开发一个强大的基于深度神经网络 (DNN) 的两部分模型.
• 为了提高复杂的健康结果分析的模型稳定性和可解释性.
• 引入一个特征重要性测试程序,以提高预测性能和统计推理.

主要方法:

• 开发了一种新的稳定深度神经网络 (sDNN) 模型,该模型包含引导和过,以提高稳定性.
• 导出了一个特征重要性测试程序 (fsDNN),以确定每个数据流程的关键预测因素.
• 这些模型应用于术后疼痛数据,并通过广泛的数值模拟和与其他机器学习方法的比较来验证.

主要成果:

• 与现有的参数和半参数两部分模型相比,sDNN和fsDNN模型表现出更高的性能.
• fsDNN成功识别了重要的特征,并提高了sDNN模型的预测准确度.
• 提出的方法在各种数据复杂度上始终优于传统方法.

结论:

• 基于DNN的sDNN和fsDNN模型为分析半连续健康数据提供了强大而灵活的替代方案.
• fsDNN通过识别关键影响因素,提高了解释性和预测能力.
• 这些先进的方法在理解和预测术后疼痛等健康结果方面提供了显著的优势.