贝伊斯特里

BayesTree:基于树的模型的贝叶斯方法:BART的实现:Bayesian加法回归树。我们建立了一个贝叶斯树和模型,其中每棵树在成为弱学习者之前受到正则化的约束,并通过迭代贝叶斯回填MCMC算法从后验点生成样本来完成拟合和推理。实际上,BART是一种非参数贝叶斯回归方法,它使用了维数自适应的随机基元。受总体集成方法,特别是boosting算法的启发,BART由一个统计模型定义:先验和似然。这种方法可以进行完全的后验推断,包括未知回归函数的点估计和区间估计以及潜在预测因子的边际效应。通过跟踪预测因子包含频率,BART也可以用于无模型变量选择。巴特的许多特点通过在42个不同的数据集上与竞争方法进行的一个模拟实验和一个药物发现分类问题来说明。


zbMATH中的参考文献(参考文献59条,1标准件)

显示第1到第20个结果,共59个。
按年份排序(引用)
  1. Rodney Sparapani,Charles Spanbauer,Robert McCulloch:基于贝叶斯加性回归树的非参数机器学习和有效计算:BART R软件包(2021)不是zbMATH
  2. 安东内利,约瑟夫;Daniels,Michael J.:PENCOMP(2019)讨论
  3. 阿西,苏珊;提比拉尼,朱莉;Wager,Stefan:广义随机森林(2019)
  4. Carnegie,Nicole Bohme:评论:使用ACIC 2016年竞争数据(2019年),模型特征对BART因果推理性能的贡献
  5. 克劳福德,洛林;弗拉克斯曼,赛斯·R。;朗奇,丹尼尔E。;Mike West:非线性黑盒方法中的变量优先顺序:遗传关联案例研究(2019年)
  6. 多莉,文森特;希尔,詹妮弗;乌里沙利特;斯科特,马克;Cervone,Dan:《因果推理的自动方法与自助方法:从数据分析竞赛中吸取的教训》(2019年)
  7. 尼日,瑞秋·C。;米利,法布里齐亚;多米尼西,弗朗西斯卡:估计非重叠情况下的人口平均因果效应:天然气压缩机站暴露对癌症死亡率的影响(2019年)
  8. 素云公园;艾丽西亚·卡里奎里:《评估法医玻璃证据的学习算法》(2019年)
  9. 泽尔多,布雷特;你好,文森特三世;Roy,Jason:使用贝叶斯加性回归树的半参数建模方法及其在评估异质性治疗效果中的应用(2019)
  10. 安吉丽诺,伊莲;拉鲁斯·斯通,尼古拉斯;亚拉比,但以理;萨尔茨,玛歌;Rudin,Cynthia:学习分类数据的可证明最优规则列表(2018)
  11. 埃尔南德斯,贝琳达;阿德里安·E·拉夫特里。;彭宁顿,斯蒂芬R。;Parnell,Andrew C.:使用贝叶斯模型平均的贝叶斯加性回归树(2018)
  12. 梁法明;李启斋;周磊:筛选药物敏感基因的贝叶斯神经网络(2018)
  13. 纳伦兹,麦芽;Villani,Mattias:具有规则结构马蹄形正则化的树集合(2018)
  14. 打赌,斯蒂芬;Athy,Susan:使用随机森林评估和推断异质处理效果(2018)
  15. 克劳迪奥,匡瓦诺;Dusseldorp,Elise:通过logistic分类主干建模阈值交互效应(2017)
  16. Goessling,Marc:Logitboost自回归网络(2017)
  17. 郭文田;纪、元;Catenacci,Daniel V.T.:基于子群聚类的精确医学贝叶斯自适应设计(2017)
  18. 胡瑞萌;Ludkovsk,Mike:响应面排序的顺序设计(2017)
  19. 兰桑根,约瑟夫瑞安G。;Barrios,Erniel B.:高维数据建模中的同步降维和变量选择(2017)
  20. Adam Kapelner和Justin Bleich:bartMachine:贝叶斯加性回归树的机器学习(2016)不是zbMATH