×
布尔布尔、吉尔巴哈；维尔达Purutçuoglu

LMARS的新模型选择标准：为生物网络设计的MARS。 （英语） Zbl 07493366号

J.Stat.计算。模拟 91，第9期，1749-1761（2021）.
摘要：在高维中，基于环的多元自适应回归样条（LMARS）模型通过正确定义其在网络中的交互作用，用于非参数地构建稀疏和复杂的基因结构。此外，它更倾向于应用广义交叉验证（GCV）值作为其原始模型的选择准则，以选择最佳模型，进而代表真实的网络结构。在本研究中，我们建议修改LMARS的模型选择过程，使用我们的Kullback-Leibler基于信息的准则，即一致的Akaike信息准则（CAIC）、带有Fisher信息矩阵的CAIC和信息复杂性，改变GCV。因此，我们旨在通过在模拟数据集和实际数据集下建模不同维度和拓扑的生物网络时，将我们的建议模型选择标准与最新模型选择标准（即AIC和贝叶斯信息标准）的准确性与GCV进行比较，以比较它们的性能。

MSC公司：

62至XX 统计

关键词：

模型选择标准；基于环的多元自适应回归样条；生物网络

软件：

CMARS公司；ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{G.B.Bülbül}和\textit{V.Purutçuoglu}，J.Stat.Compute。模拟91，第9期，1749-1761（2021；Zbl 07493366）
全文： 内政部

参考文献：

[1] 密歇根州乔丹，《图形模型学习》，89（1998），荷兰多德雷赫特：施普林格科学与商业媒体，荷兰多德雷赫特
[2] Pearl，J.贝叶斯网络：证据推理的CF自激活记忆模型。认知科学学会第七届会议论文集；美国加州大学欧文分校；1985年，第15-17页。
[3] Whittaker，J.，《应用多元统计中的图形模型》（2009），英国奇切斯特：威利出版社，英国奇切斯特
[4] 弗里德曼，N。；Linial，M。；Nachman，I.，《使用贝叶斯网络分析表达数据》，《计算生物学杂志》，7，3-4，601-620（2000）
[5] Abegaz，F。；Wit，E.，重建遗传网络的稀疏时间序列链图形模型，生物统计学，14，3，586-599（2013）
[6] 多布拉，A。；Lenkoski，A.，Copula Gaussian图形模型及其在功能性残疾数据建模中的应用，Ann Appl Stat，5，2，969-993（2011）·Zbl 1232.62046号
[7] Mohammadi，A。；Wit，EC，稀疏高斯图形模型中的贝叶斯结构学习，贝叶斯分析，10，1，109-138（2015）·兹比尔1335.62056
[8] Fellinghauer，B。；雷因哈特，JD；Stucki，G.，《解释残疾悖论：对瑞士普通人群的横断面分析》，BMC公共卫生，12，1655（2012）
[9] 布雷曼，L。；弗里德曼，J。；Olshen，RA，分类和回归树（1984），佛罗里达州博卡拉顿：CRC出版社，佛罗里达州波卡拉顿·Zbl 0541.62042号
[10] 约翰逊，MJ；丹麦杜维诺；Wiltschko，A.，《用神经网络构建图形模型以进行结构化表示和快速推理》，《高级神经信息处理系统》，2954-2962（2016）
[11] El-Nasr，MS；Yen，J。；Ioerger，TR.，情绪的火焰模糊逻辑自适应模型，自动代理多代理系统，3，3，219-257（2000）
[12] 马里兰州韦恩；N·领事。；Merajver，SD，《系统生物学中基于Logic的模型：一种预测性和无参数的网络分析方法》，Integr Biol，4，11，1323-1337（2012）
[13] Küffner，R。；佩特里，T。；Windhager，L.，《带模糊逻辑的Petri网：逆向工程和参数化》，《公共科学图书馆·综合》，5，9，e12807（2010）
[14] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素：预测、推理和数据挖掘》（The elements of statistical learning：prediction，inference and data mining）（2009年），纽约：斯普林格·弗拉格出版社，纽约·Zbl 1273.62005年
[15] JH弗里德曼。，多元自适应回归样条，Ann Stat，19，1-67（1991）·兹比尔0765.62064
[16] 韦伯，GW；伊利诺伊州巴特马。；Köksal，G.，CMARS:利用连续优化支持的多元自适应回归样条对非参数回归的新贡献，逆向问题科学工程，20，3，371-400（2012）·Zbl 1254.65020号
[17] 泰兰，P。；韦伯，GW；Øzkurt，FY.，《利用Tikhonov正则化和连续优化实现多元自适应回归样条的新方法》，Top，18，2，377-395（2010）·Zbl 1208.41007号
[18] 奥兹曼，A。；韦伯，GW；伊利诺伊州巴特马。，RCMARS：多面体不确定性集下不同场景下CMARS的稳健化，《Commun非线性科学数值模拟》，16，12，4780-4787（2011）·Zbl 1416.65169号
[19] Bozdogan，H.，模型选择和Akaike的信息标准（AIC）：一般理论及其分析扩展，《心理测量学》，52，3，345-370（1987）·Zbl 0627.62005号
[20] Bozdogan，H.，一种新的信息复杂性（ICOMP）标准，应用于客户分析和细分，伊斯坦布尔J大学校车。行政，39，2，370-398（2010）
[21] Akaike，H.，统计模型识别的新视角，IEEE Trans-Autom Control，19，6，716-723（1974）·Zbl 0314.62039号
[22] Schwarz，G.，估算模型的维数，Ann Stat，6，2，461-464（1978）·兹伯利0379.62005
[23] Ayyıldız，E。；Purutçuolu，V.，《通过LCMARS对各种生物网络进行建模》，《计算科学杂志》，28，148-154（2018）
[24] 阿拉兹，M。；Purutçuoğlu，V.，生物网络描述中的扩展套索型MARS（LMARS）模型，J Stat Comput Simul，89，1，1-14（2019）·Zbl 07193710号
[25] 克雷文，P。；Wahba，G.，用样条函数平滑噪声数据，数值数学，31，4，377-403（1978）·Zbl 0377.65007号
[26] Milborrow，S，Hastie，T，Tibshirani，R.地球：多元自适应回归样条曲线。源自T Hastie的mda:mars；2017
[27] Efron，B.Bootstrap方法：又看了一眼Jackknife。In：统计方面的突破。纽约：Springer-Verlag；1992年，第569-593页。
[28] 是的，E。；阿拉兹，M。；Purutçuolu，V.，Mars作为生化网络高斯图形模型的替代方法，《应用统计杂志》，44，16，2858-2876（2017）·Zbl 1516.62132号
[29] 博兹多安，H。；Haughton，DM，回归模型的信息复杂性标准，计算统计数据分析，28，1，51-76（1998）·Zbl 1042.62504号
[30] Kullback，S。；莱布勒，拉脱维亚。，关于信息和充分性，《数学统计年鉴》，22，1，79-86（1951）·Zbl 0042.38403号
[31] 陈，J。；Chen，Z.，《大模型空间模型选择的扩展贝叶斯信息准则》，Biometrika，95，3，759-771（2008）·Zbl 1437.62415号
[32] Sakamoto，Y。；石黑浩，M。；Kitagawa，G.，Akaike信息标准统计，81（1986），多德雷赫特（荷兰）：D.Reidel，多德雷赫特（荷兰人）·Zbl 0608.62006
[33] Chen，W，Yuan，Y，Zhang，L.线性阈值模型下社交网络中的可缩放影响最大化。2010年IEEE数据挖掘国际会议。IEEE；2010年，第88-97页。
[34] Do，明尼苏达州；Vetterli，M.，使用广义高斯密度和Kullback-Leibler距离进行基于小波的纹理检索，IEEE Trans-Image Process，11，2，146-158（2002）
[35] Koc，EK；Bozdogan，H.，使用信息复杂性作为适应度函数的多元自适应回归样条（MARS）模型选择，《马赫学习》，101，1-3，35-58（2015）·Zbl 1383.62115号
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。