論文の概要: The MELODIC family for simultaneous binary logistic regression in a
reduced space
- arxiv url: http://arxiv.org/abs/2102.08232v1
- Date: Tue, 16 Feb 2021 15:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 09:17:24.437205
- Title: The MELODIC family for simultaneous binary logistic regression in a
reduced space
- Title(参考訳): 縮小空間における同時バイナリロジスティック回帰のためのMELODICファミリー
- Authors: Mark de Rooij and Patrick J. F. Groenen
- Abstract要約: 同時バイナリロジスティック回帰モデリングのためのMELODICファミリーを提案する。
モデルは、ロジスティック回帰係数または双極子の観点から解釈することができる。
薬物摂取プロファイルに関連する性格特性と、うつ病や不安障害に関連する性格特性の2つの応用が詳細に示されている。
- 参考スコア(独自算出の注目度): 0.5330240017302619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Logistic regression is a commonly used method for binary classification.
Researchers often have more than a single binary response variable and
simultaneous analysis is beneficial because it provides insight into the
dependencies among response variables as well as between the predictor
variables and the responses. Moreover, in such a simultaneous analysis the
equations can lend each other strength, which might increase predictive
accuracy. In this paper, we propose the MELODIC family for simultaneous binary
logistic regression modeling. In this family, the regression models are defined
in a Euclidean space of reduced dimension, based on a distance rule. The model
may be interpreted in terms of logistic regression coefficients or in terms of
a biplot. We discuss a fast iterative majorization (or MM) algorithm for
parameter estimation. Two applications are shown in detail: one relating
personality characteristics to drug consumption profiles and one relating
personality characteristics to depressive and anxiety disorders. We present a
thorough comparison of our MELODIC family with alternative approaches for
multivariate binary data.
- Abstract(参考訳): ロジスティック回帰はバイナリ分類の一般的な方法である。
研究者はしばしば1つ以上のバイナリ応答変数を持ち、同時解析は、応答変数と予測変数の間の依存性に関する洞察を提供するため、有益なものである。
さらに、この同時解析では、方程式は互いに力を貸すことができ、予測精度を高めることができる。
本稿では,同時二元対ロジスティック回帰モデリングのためのMELODICファミリを提案する。
この群では、回帰モデルは、距離規則に基づいて、縮小次元のユークリッド空間で定義される。
モデルは、ロジスティック回帰係数または双極子の観点から解釈することができる。
パラメータ推定のための高速反復メジャー化(MM)アルゴリズムについて検討する。
薬物摂取プロファイルに関連する性格特性と、うつ病や不安障害に関連する性格特性の2つの応用が詳細に示されている。
MELODICファミリーと多変量バイナリデータに対する代替アプローチを徹底的に比較します。
関連論文リスト
- Dual-sPLS: a family of Dual Sparse Partial Least Squares regressions for
feature selection and prediction with tunable sparsity; evaluation on
simulated and near-infrared (NIR) data [1.6099403809839032]
この論文で示された変種であるDual-sPLSは、古典的なPLS1アルゴリズムを一般化する。
正確な予測と効率的な解釈のバランスを提供する。
コードはRでオープンソースパッケージとして提供される。
論文 参考訳(メタデータ) (2023-01-17T21:50:35Z) - Strong identifiability and parameter learning in regression with
heterogeneous response [3.8458777248623175]
本研究では, 有限混合回帰モデルにおける強い識別可能性, 条件密度およびパラメータ推定の収束率, およびベイズ後部収縮挙動について検討する。
本稿では,本論文で報告されているいくつかの一般的な回帰混合モデルに見られるパラメータ学習行動について,シミュレーション研究とデータ図解を提供する。
論文 参考訳(メタデータ) (2022-12-08T05:58:13Z) - Bivariate vine copula based quantile regression [0.0]
予測回帰設定において,2つの応答の対称的処理に特化して設計された新しいグラフ構造モデルを提案する。
ワインコプラを用いた回帰の典型的な欠点は、予測子の変換や相互作用を必要とするため、コリニアリティや量子交差は避けられる。
論文 参考訳(メタデータ) (2022-05-05T10:41:01Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - On the Use of Minimum Penalties in Statistical Learning [2.1320960069210475]
本稿では,多変量回帰モデルと結果変数の関係を同時に推定する枠組みを提案する。
現状技術手法を一般化する反復アルゴリズムを解法として提案する。
我々は、提案したMinPenフレームワークを他の指数関数的なファミリー損失関数に拡張し、複数の二項応答に特異的に焦点をあてる。
論文 参考訳(メタデータ) (2021-06-09T16:15:46Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳(メタデータ) (2021-05-07T03:33:00Z) - A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。
ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。
シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文 参考訳(メタデータ) (2020-11-30T21:47:38Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳(メタデータ) (2020-08-01T10:36:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。