核心平均值匹配在空间分布变化下提高了风险估计
Egor Serov1, Diana Koldasbayeva2, Alexey Zaytsev1,3
1Skolkovo Institute of Science and Technology, Moscow, Russia.
核心平均匹配 (KMM) 改进了空间数据中的机器学习风险估计,优于传统方法,如无权重 (NW) 和重要性权重 (IW). KMM提供了强大而准确的预测,对于面临分布转移的生态和医疗应用至关重要.
科学领域:
- 空间统计的空间统计.
- 机器学习 机器学习
- 数据科学是数据科学.
背景情况:
- 准确的风险估计对于在生态学和医学等空间应用中部署机器学习至关重要.
- 传统的方法 (无权重,重要性权重) 由于密度估计的挑战和非静止性,与空间结构化数据作斗争.
- 基于分类器的方法表现出有限的成功,经常错误校准风险估计.
研究的目的:
- 系统地评估分布转移下的空间结构化数据的风险估计方法.
- 确定一种强大的方法,以克服高维集群分布和非静止性的挑战.
- 为了证明核心平均匹配 (KMM) 在空间风险估计中的有效性.
主要方法:
- 评估了四种风险估计方法:没有权重 (NW),重要性权重 (IW),内核平均匹配 (KMM) 和基于分类器的重权重.
- 使用合成基准与受控的空间聚类和现实世界的数据集 (物种分布,免疫细胞布局).
- 专注于最大限度地减少使用KMM内核嵌入的分布差异.
主要成果:
- 核心平均匹配 (KMM) 在各种空间数据集中表现出卓越的稳定性.
- 与高维设置中的其他方法相比,KMM减少了12.3-86.5%的平均绝对百分比误差 (MAPE).
- KMM有效地绕过了传统方法固有的密度比率估计问题.
结论:
- 核心平均匹配 (KMM) 为空间风险估计提供了原则性和有效的解决方案,特别是在聚类或易受人工物影响的数据中.
- 由于KMM直接最小化了分布差异,因此可以确保更可靠的风险估计.
- 该方法在生态和生物医学领域的广泛适用性突显了其在异质环境中强大的模型部署潜力.
更多相关视频
08:28Synthesis of Phase-shift Nanoemulsions with Narrow Size Distributions for Acoustic Droplet Vaporization and Bubble-enhanced Ultrasound-mediated Ablation
Published on: September 13, 2012
09:28Evaluation of the Spatial Distribution of γH2AX following Ionizing Radiation
Published on: August 7, 2010
相关概念视频
Distributions to Estimate Population Parameter
Sign Test for Matched Pairs
To conduct the sign test, we first calculate the differences in...
Relative Risk
What are Estimates?
The estimate for the mean of a sample is denoted by ͞x, whereas the mean of the population is designated as μ. Further, parameters such...
Wilcoxon Signed-Ranks Test for Matched Pairs
One-Compartment Open Model for IV Bolus Administration: Estimation of Elimination Rate Constant, Half-Life and Volume of Distribution
