促进

R-package-boost:利用基因表达数据对肿瘤进行分类。动机:微阵列实验有望通过实现精确和早期诊断,对癌症治疗的进展做出重大贡献。它们需要类预测工具,这些工具可以处理大量高度相关的输入变量,执行特征选择,并提供类概率估计,作为预测不确定性的量化。一个很有前途的解决方案是将bagging和boosting这两种集成方案结合起来,形成一种称为BagBoosting的新算法。结果:当bagging作为boosting的一个模块时,所得到的分类器在真实和模拟的基因表达数据上一致地提高了预测性能和bagging和boosting的概率估计。这种准保证的改进可以通过简单地进行更大的计算来获得。通过将BagBoosting与几种已建立的微阵列数据类预测工具进行比较,也证实了其优越的预测潜力。可用性:用于改进boosting算法、基准研究和微阵列数据模拟的软件在GNU公共许可证下以R包的形式提供http://stat.ethz.ch/dettling/bagboost.html


zbMATH中的参考文献(参考文献38条)

显示结果1到20,共38个。
按年份排序(引用)
  1. 蔡、嘉;霍俊义:基于线性化Bregman方法的稀疏广义正则相关分析(2020)
  2. 陈黄岳;孔令臣;Li,Yan:基于半近端ADMM的高维数据凸聚类方法(2020)
  3. 陈黄岳;孔令臣;商、潘;潘珊珊:正则化Huber回归的安全特征筛选规则(2020)
  4. 霍彦浩;辛丽辉;康、川泽;王明辉;马、秦;于斌:SGL-SVM:基于稀疏群lasso的支持向量机肿瘤分类新方法(2020)
  5. 杨爱军;田玉珠;李云仙;林金冠:高维数据分析的核probit模型中稀疏贝叶斯变量的选择(2020)
  6. 尹赞华:稀疏logistic回归的变量选择(2020)
  7. 江滨燕;王向玉;冷,陈雷:稀疏二次判别分析的直接方法(2018)
  8. 阿里亚斯·卡斯特罗;濮,肖:稀疏聚类的一种简单方法(2017)
  9. 贝尔西马斯,迪米特里斯;国王,安吉拉;Mazumder,Rahul:通过现代优化镜头选择最佳子集(2016)
  10. 程,露露;金英英;Pang,Herbert:Bayes半参数模型,用于基于路径的零膨胀临床结果分析(2016)
  11. 范、燕;盖玉洁;朱立星:一般单指数模型的Dantzig选择器系统(2016)
  12. 萨福,桑德拉E。;Ahn,Jeongyun:一般稀疏多类线性判别分析(2016)
  13. 安,贞云;Jeon,Yongho:有限数据堆积的稀疏HDLSS识别(2015)
  14. 多诺霍,大卫;金家顺:对大规模推理,特别是罕见和弱效应的更高批评(2015)
  15. 穆勒,帕特里克;van de Geer,Sara:高维部分线性模型(2015)
  16. Pamukçu,Esra;波兹多安,汉巴苏姆;Sch alık,Sinan:一种基于癌症分类信息复杂性准则的小尺寸高维基因表达数据集的新的混合降维技术(2015)
  17. 王涛;朱立星:基于分布的套索一般单指数模型(2015)
  18. 杨爱军;李云仙;唐念生;林金冠:高维数据分类多项式probit模型中的贝叶斯变量选择(2015)
  19. 彼得·休曼;Mandozzi,Jacopo:高维变量筛选和后续推理中的偏差,实证比较(2014)
  20. 霍尔,彼得;金嘉顺;米勒,休:当有很多有影响力的特征时的特征选择(2014)