解决机器学习特征选择中的解释挑战,使用生物医学疼痛数据的代方法.
Jörn Lötsch1,2,3, André Himmelspach1, Dario Kringel1
1Faculty of Medicine, Goethe University, Institute of Clinical Pharmacology, Frankfurt am Main, Germany.
本研究引入了一种代机器学习 (ML) 框架,以确定疼痛特征的关键变量. 该方法提高了ML分析的清晰度和解释性,改善了生物医学研究的特征选择.
科学领域:
- 生物医学研究的研究.
- 计算生物学是一种计算生物学.
- 数据科学是数据科学.
背景情况:
- 机器学习 (ML) 越来越多地用于疼痛数据分析,重点是分类而不是p值.
- 当关键变量被删除后,准确的分类仍然存在时,存在挑战,导致对真正相关性的不确定性.
- 这种模糊性凸显了在ML中需要强大的特征选择方法的需要.
研究的目的:
- 提出一个代的ML框架,以更好地识别特征相关的特征.
- 减少模两可,提高疼痛研究中特征选择的解释性.
- 在生物医学数据中区分强大的预测因素和偶然的预测因素.
主要方法:
- 开发了一个代的ML框架,将特征选择技术与分类算法结合起来.
- 该框架应用于疼痛特征数据集,并与传统的统计方法 (如逻辑回归) 相比较.
- 该方法涉及反复测试可变组,以评估特征相关性.
主要成果:
- 代过程通过测试未选择的特征来澄清变量的相关性.
- 结合ML方法改善了特征选择,解决了多对线性,并增加了模型的稳定性.
- 物流回归有时无法识别已知的相关变量或所需的预选输入.
结论:
- 基于ML的特征选择为识别特征相关变量提供了扩展的选项.
- 代变量集测试支持透明和可复制的推断.
- 选择的特征不应该被认为是唯一重要的;测试未选择的变量至关重要.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Bioequivalence Data: Statistical Interpretation
Selected Data About Geographic Locations
Model Approaches for Pharmacokinetic Data: Compartment Models
Two primary types of compartment models are recognized: mammillary and catenary. The more...
Model Approaches for Pharmacokinetic Data: Physiological Models
Interpreting R Charts
An R chart plots the range of subsets of measurements collected from a process. Each point on the chart represents the range—defined as the difference between the maximum and minimum...
Machines
A free-body diagram of the...
