論文の概要: Random Forests for time-fixed and time-dependent predictors: The DynForest R package

• arxiv url: http://arxiv.org/abs/2302.02670v2
• Date: Thu, 11 Apr 2024 08:14:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 19:37:39.793270
• Title: Random Forests for time-fixed and time-dependent predictors: The DynForest R package
• Title（参考訳）: 時間固定および時間依存予測のためのランダムフォレスト:DynForest Rパッケージ
• Authors: Anthony Devaux, Cécile Proust-Lima, Robin Genuer,
• Abstract要約: DynForestは、時間から結果を予測するためにランダムな森林を実装している。 時間依存予測子は内在的(すなわち、結果のプロセスによって影響される)である。 DynForestは変数の重要性と最小の深さを計算して、最も予測可能な変数や変数のグループを知らせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The R package DynForest implements random forests for predicting a continuous, a categorical or a (multiple causes) time-to-event outcome based on time-fixed and time-dependent predictors. The main originality of DynForest is that it handles time-dependent predictors that can be endogeneous (i.e., impacted by the outcome process), measured with error and measured at subject-specific times. At each recursive step of the tree building process, the time-dependent predictors are internally summarized into individual features on which the split can be done. This is achieved using flexible linear mixed models (thanks to the R package lcmm) which specification is pre-specified by the user. DynForest returns the mean for continuous outcome, the category with a majority vote for categorical outcome or the cumulative incidence function over time for survival outcome. DynForest also computes variable importance and minimal depth to inform on the most predictive variables or groups of variables. This paper aims to guide the user with step-by-step examples for fitting random forests using DynForest.
• Abstract（参考訳）: RパッケージのDynForestは、時間固定予測と時間依存予測に基づいて、連続、カテゴリー、または(複数の原因)時間と結果を予測するランダムなフォレストを実装している。 DynForestの主な独創性は、不均一な(つまり、結果のプロセスによって影響される)時間依存予測器を処理し、誤差で測定し、主観的な時間で測定することである。 ツリー構築プロセスの各再帰ステップでは、時間依存予測器が内部的に分割可能な個々の特徴にまとめられる。 これは、フレキシブルな線形混合モデル(Rパッケージのlcmmに依る)を使用して実現される。 DynForestは、連続的な結果の平均値、カテゴリー的な結果に多数決されたカテゴリ、または生存結果に時間をかけて累積的なインシデント関数を返します。 DynForestは、変数の重要性と最小の深さを計算して、最も予測可能な変数や変数のグループを知らせる。 本稿は、DynForestを用いてランダムな森林を適合させるためのステップバイステップ例をユーザに提供することを目的とする。

関連論文リスト

• missForestPredict -- Missing data imputation for prediction settings [2.8461446020965435]
  missForestPredictは、MissForest命令アルゴリズムの高速でユーザフレンドリな適応である。 missForestPredictでは、命令で使用される変数のエラー監視と制御が拡張されている。 missForestPredictは、短い計算時間内で予測設定で競合する結果を提供する。
  論文  参考訳（メタデータ） (2024-07-02T17:45:46Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
  サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。 本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T02:16:00Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Random survival forests for competing risks with multivariate longitudinal endogenous covariates [0.0]
  本稿では,多数の長手予測器を用いて事象の確率を予測する革新的な手法を提案する。 DynForestは、内因性縦予測器を扱う競合するリスクのためのランダムサバイバル森林の拡張である。
  論文  参考訳（メタデータ） (2022-08-11T12:58:11Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• RFpredInterval: An R Package for Prediction Intervals with Random Forests and Boosted Forests [0.0]
  我々は、ランダムな森林や森林の増生を伴う予測区間を構築するために、16の手法を統合した包括的RパッケージRFpredIntervalを開発した。 このパッケージに実装された手法は,Roy と Larocque (2020) が提案したランダムな森林で予測間隔を生成するために,PRBFと15の異なる変種で予測間隔を構築する新しい方法である。 その結果,提案手法は競争力が高く,世界規模では競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-15T15:27:50Z)
• 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)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• Time-series Imputation and Prediction with Bi-Directional Generative Adversarial Networks [0.3162999570707049]
  本稿では,不規則に観測された時系列データと不規則なエントリを含む長さの時系列データの計算と予測を併用したタスクのモデルを提案する。 我々のモデルは、入力時間ステップ(予測)の内側または外側の欠落した要素をインプットする方法を学び、したがって、時系列データに有効な任意の時間予測ツールとして機能する。
  論文  参考訳（メタデータ） (2020-09-18T15:47:51Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。