論文の概要: Similarities and Differences between Machine Learning and Traditional Advanced Statistical Modeling in Healthcare Analytics

• arxiv url: http://arxiv.org/abs/2201.02469v1
• Date: Fri, 7 Jan 2022 14:36:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 16:35:42.294973
• Title: Similarities and Differences between Machine Learning and Traditional Advanced Statistical Modeling in Healthcare Analytics
• Title（参考訳）: 医療分析における機械学習と従来の高度な統計モデルとの類似性と相違
• Authors: Michele Bennett, Karin Hayes, Ewa J. Kleczyk, and Rajesh Mehta
• Abstract要約: 機械学習と統計モデリングは、同様の数学的原理に基づいて補完的である。 優れたアナリストとデータサイエンティストは、技術と適切な応用の両方に精通しているべきです。
• 参考スコア（独自算出の注目度）: 0.6999740786886537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data scientists and statisticians are often at odds when determining the best approach, machine learning or statistical modeling, to solve an analytics challenge. However, machine learning and statistical modeling are more cousins than adversaries on different sides of an analysis battleground. Choosing between the two approaches or in some cases using both is based on the problem to be solved and outcomes required as well as the data available for use and circumstances of the analysis. Machine learning and statistical modeling are complementary, based on similar mathematical principles, but simply using different tools in an overall analytics knowledge base. Determining the predominant approach should be based on the problem to be solved as well as empirical evidence, such as size and completeness of the data, number of variables, assumptions or lack thereof, and expected outcomes such as predictions or causality. Good analysts and data scientists should be well versed in both techniques and their proper application, thereby using the right tool for the right project to achieve the desired results.
• Abstract（参考訳）: データサイエンティストと統計学者は、分析の課題を解決するための最良のアプローチ、機械学習または統計モデリングを決定するときにしばしば対立する。 しかし、機械学習と統計モデリングは、分析戦場の異なる側面の敵よりもいとこである。 2つのアプローチのどちらを選択するか、あるいは両方を使うかは、解決すべき問題と結果と、分析に利用可能なデータと状況に基づいて決定される。 機械学習と統計モデリングは、類似の数学的原則に基づいて相補的だが、分析の知識ベース全体において、単に異なるツールを使用するだけだ。 主なアプローチを決定するには、データのサイズや完全性、変数の数、仮定や不足、予測や因果関係といった期待された結果といった経験的な証拠だけでなく、解決すべき問題にも基づく必要がある。 優れたアナリストとデータサイエンティストは、技術と適切なアプリケーションの両方に精通して、適切なプロジェクトに適したツールを使用して、望ましい結果を達成するべきです。

関連論文リスト

• Using causal inference to avoid fallouts in data-driven parametric analysis: a case study in the architecture, engineering, and construction industry [0.7566148383213173]
  実世界の実装における意思決定プロセスは、データ駆動モデルへの依存の高まりに影響を受けています。 本研究では,データ駆動手法,経験的ドメイン知識,第一原理シミュレーションの相乗パターンについて検討した。
  論文  参考訳（メタデータ） (2023-09-11T13:54:58Z)
• Why we should respect analysis results as data [0.0]
  臨床研究データの解析も結果の形でデータを生成するのが一般的である。 知見を文脈に組み込んだ分析は科学的研究の基盤となっているが、分析結果はしばしばデータソースとして無視される。 本稿では,分析結果標準と共通データモデルを組み合わせた「一度計算し,何度も使用」する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-21T08:34:07Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis [5.064097093575691]
  本研究では,条件付きランダム化テストに基づく新しい仮説テスト手法を提案する。 我々の手法は単に因子のランダム化にのみ基づき、従って仮定は不要である。
  論文  参考訳（メタデータ） (2022-01-20T18:23:12Z)
• Two ways towards combining Sequential Neural Network and Statistical Methods to Improve the Prediction of Time Series [0.34265828682659694]
  本稿では,データ特徴の統計的抽出を生かした2つの方法,分解に基づく方法,および方法を提案する。 我々は, 時系列データを用いて, 安定性の異なる提案を評価した。 性能評価の結果、どちらの手法もモデルと学習を別々に使用する既存のスキームより優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-30T20:34:58Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Marginal likelihood computation for model selection and hypothesis testing: an extensive review [66.37504201165159]
  この記事では、このトピックの最先端に関する総合的な研究について紹介する。 さまざまなテクニックの制限、メリット、コネクション、差異を強調します。 また、不適切な事前利用の問題や解決法についても述べる。
  論文  参考訳（メタデータ） (2020-05-17T18:31:58Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。