×
张春哲;柯蒂斯·斯托利。;托马斯·C·M·李。

使用贝叶斯平滑样条ANOVA概率回归进行分类中的敏感性分析。 （英语。法语摘要） Zbl 07759492号

可以。J.统计。 50，编号3，928-950（2022）.
摘要：对于许多分类问题，除了提供准确的分类结果外，确定哪些预测因素对结果有贡献以及贡献的程度通常也同样重要。这促使了本文的写作，在这篇文章中，针对分类问题开发了一个新的敏感性分析框架来解决这个问题。通过仿真研究和实际数据应用，验证了该框架的有效性。请注意，这个框架可以与不同的分类方法相结合。然而，在实践中，建议将其与称为贝叶斯平滑样条ANOVA概率回归（BSSANOVA）的分类方法配对。通过数值实验与其他现有方法相比，BSSANOVA在分类和敏感性分析方面都表现得非常好。
{©2021加拿大统计学会}

MSC公司：

62至XX 统计

关键词：

马尔科夫蒙特卡洛;多类别有序反应;二阶相互作用;总效应指数

软件：

全球供应链;fda（右）
PDF格式BibTeX公司 XML格式引用
\textit{C.Zhang}等人，可以。J.Stat.50，第3号，928--950（2022；Zbl 07759492）
全文： 内政部

参考文献：

[1] Berlinet，A.和Thomas‐Agnan，C.（2004）。概率统计中的再生核希尔伯特空间。Kluwer学术出版社，马萨诸塞州诺威尔·Zbl 1145.6202号
[2] Breiman，L.（2001）。随机森林。机器学习，45，5-32·Zbl 1007.68152号
[3] Brown，W.V.、Fujioka，K.、Wilson，P.W.和Woodworth，K.A.（2009年）。肥胖：为什么要担心？。美国医学杂志，122，S4-S11。
[4] Friedman，J.H.（1991）。多元自适应回归样条（带讨论）。统计年鉴，19，1-141·Zbl 0765.62064号
[5] Gu，C.（2013）。平滑样条方差分析模型，第297卷。柏林施普林格科技与商业媒体·Zbl 1269.62040号
[6] Guh，D.P.、Zhang，W.、Bansback，N.、Amarsi，Z.、Birmingham，C.L.和Anis，A.H.（2009）。与肥胖和超重相关的共病发病率：系统综述和荟萃分析。BMC公共卫生，9-88。
[7] Hastie，T.J.和Tibshirani，R.J.（1990）。广义加性模型。查普曼和霍尔/CRC，纽约·Zbl 0747.62061号
[8] Jose，C.、Goyal，P.、Aggrwal，P.和Varma，M.（2013年）。局部深核学习用于有效的非线性SVM预测。机器学习国际会议（ICML 2013），美国佐治亚州亚特兰大，486-494。
[9] Kaufman，C.G.和Sain，S.R.（2010年）。使用高斯过程先验分布的贝叶斯函数方差分析建模。贝叶斯分析，5123-150·Zbl 1330.62341号
[10] Ladickí，L.&Torr，P.H.（2011）。局部线性支持向量机。机器学习国际会议（ICML 2011），美国华盛顿州贝尔维尤，985-992年。
[11] Lim，T.S.、Loh，W.Y.和Shih，Y.S.（2000）。比较了33种新旧分类算法的预测精度、复杂性和训练时间。机器学习，40203-229·Zbl 0969.68669号
[12] Lin，Y.和Zhang，H.H.（2006）。多元非参数回归中的成分选择与平滑。《统计年鉴》，34，2272-2297·Zbl 1106.62041号
[13] McCullagh，P.&Nelder，J.A.（1989）。《广义线性模型》，第二版，Chapman和Hall，伦敦·Zbl 0744.62098号
[14] 国家糖尿病数据组。(1979). 糖尿病和其他类型糖耐量异常的分类和诊断。糖尿病，281039-1057。
[15] Radchenko，P.&James，G.M.（2010年）。使用高维自适应非线性交互结构进行变量选择。美国统计协会杂志，105，1541-1553·Zbl 1388.62212号
[16] Ramsay，J.O.和Silverman，B.W.（2005）。功能数据分析。Springer‐Verlag，纽约州纽约市·Zbl 1079.62006号
[17] Rosasco，L.、Santoro，M.、Mosci，S.、Verri，A.和Villa，S.（2010年）。非线性变量选择的正则化方法。第十三届国际人工智能与统计会议记录，意大利撒丁岛，653-660。
[18] (2000). 敏感性分析Saltelli，A.（编辑）、Chan，K.（编辑）和Scott，E.M.（编辑）。威利，纽约，纽约。（编辑）·Zbl 0961.62091号
[19] 沈克强。，Ong，C.‐J。，Li，X.‐P.和Wilder‐Smith，E.P.V.（2008）。通过SVM概率输出的敏感性分析进行特征选择。机器学习，70，1-20·Zbl 1470.68175号
[20] Shin，S.J.、Wu，Y.、Zhang，H.H.和Liu，Y..（2017）。用于二进制分类中充分降维的主加权支持向量机。生物特征，104，67-81·Zbl 1506.62332号
[21] Smith，J.W.、Everhart，J.E.、Dickson，W.C.、Knowler，W.C.&Johannes，R.S.（1988）。利用ADAP学习算法预测糖尿病发病。计算机应用与医疗研讨会论文集，261-265。
[22] Storlie，C.B.、Bondell，H.D.、Reich，B.J.和Zhang，H.H.（2011）。曲面估计、变量选择和非参数预言属性。中国统计局，21679·Zbl 1214.62044号
[23] Storlie，C.B.、Fugate，M.L.、Higdon，D.M.、Huzurbazar，A.V.、Francois，E.G.和McHugh，D.C.（2013a）。描述和比较冲击波曲线总体的方法。技术计量学，55，436-449。
[24] Storlie，C.B.、Lane，W.A.、Ryan，E.M.、Gattiker，J.R.和Higdon，D.M.（2015）。利用贝叶斯平滑样条方差分析对分类参数和相关输出的计算模型进行校准。美国统计协会杂志，110，68-82。
[25] Storlie，C.B.、Reich，B.J.、Helton，J.C.、Swiler，L.P.和Sallaberry，C.J.（2013b）。分析具有连续和分类输入的计算需求模型。可靠性工程与系统安全，113，30-41。
[26] Storlie，C.B.、Swiler，L.P.、Helton，J.C.和Sallaberry，C.J.（2009）。计算需求模型敏感性分析的非参数回归程序的实施和评估。可靠性工程与系统安全，941735-1763。
[27] Vapnik，V.和Lerner，A.（1963年）。使用广义纵向方法进行模式识别。自动化和远程控制，774-780。
[28] Wang，J.和Saligrama，V.（2012年）。通过空间划分进行局部监督学习。神经信息处理系统进展（NIPS 2012），美国内华达州太浩湖，91-99。
[29] Zhang，Y.和Wallace，B.C.（2017）。用于句子分类的卷积神经网络的敏感性分析（和从业人员指南）。第八届国际自然语言处理联合会议论文集（第一卷：长篇论文），台湾台北，253-263。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。