我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们的目标是生成不仅准确,而且可由人类专家解释的预测模型。我们的模型是决策列表,它由一系列如果…然后…语句(例如。,如果高血压,那么中风)它将高维、多元特征空间离散化为一系列简单、易于解释的决策语句。我们引入了一个称为贝叶斯规则列表的生成模型,该模型在可能的决策列表上产生后验分布。它采用新颖的优先结构来鼓励稀疏性。我们的实验表明,贝叶斯规则列表的预测精度与当前机器学习中的顶级预测算法相当。我们的方法受到个性化医学最新发展的推动,可以用于生成高度准确和可解释的医学评分系统。我们通过产生CHADS${2}$评分的替代品来证明这一点,该评分在临床实践中积极用于评估心房颤动患者的中风风险。我们的模型与CHADS${2}$一样可以解释,但更准确。
本杰明·莱瑟姆。 辛西娅·鲁丁。 泰勒·H·麦考密克。 大卫·马迪根。 “使用规则和贝叶斯分析的可解释分类器:构建更好的中风预测模型。” 附录申请。斯达。 9 (3) 1350 - 1371, 2015年9月。 https://doi.org/10.1214/15-AOAS848