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64条,1标准件)

显示第1到第20个结果,共64个。
按年份排序(引用)
  1. Jared D.Huling,Monggang Yu:使用个性化软件包进行子组识别(2021)不是zbMATH
  2. 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
  3. 倪,杨;米勒,彼得;迪森德鲁克,莫里斯;威廉森,西内德;朱一坦;季媛:可伸缩贝叶斯非参数聚类与分类(2020)
  4. 周天健;丹尼尔斯,迈克尔J。;Müller,Peter:辅助协变量纵向研究中辍学的半参数贝叶斯方法(2020)
  5. 安东内利,约瑟夫;Daniels,Michael J.:PENCOMP(2019)讨论
  6. 阿西,苏珊;提比拉尼,朱莉;Wager,Stefan:广义随机森林(2019)
  7. 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
  8. 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)
  9. 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)
  10. 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)
  11. 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)
  12. 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)
  13. 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)
  14. 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)
  15. 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)
  16. 吕敏;萨迪克,萨阿德;费斯特,丹尼尔J。;Ishwaran,Hemant:使用随机森林方法估计观测数据中的个体治疗效果(2018)
  17. 纳伦兹,麦芽;Villani,Mattias:具有规则结构马蹄形正则化的树集合(2018)
  18. 斯托克洛萨,雅库布;Warton,David I.:多元自适应回归样条的广义估计方程方法(2018)
  19. 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)
  20. 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)