論文の概要: rmlnomogram: An R package to construct an explainable nomogram for any machine learning algorithms

• arxiv url: http://arxiv.org/abs/2501.05772v1
• Date: Fri, 10 Jan 2025 08:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:28:24.072094
• Title: rmlnomogram: An R package to construct an explainable nomogram for any machine learning algorithms
• Title（参考訳）: rmlnomogram:任意の機械学習アルゴリズムのための説明可能なノモグラムを構築するためのRパッケージ
• Authors: Herdiantri Sufriyana, Emily Chia-Yu Su,
• Abstract要約: 現在のノモグラムは回帰アルゴリズムのためにのみ作成できる。 我々は、任意の機械学習アルゴリズムのモデル説明可能性でノモグラムを構築するためのRパッケージとWebアプリケーションを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Background: Current nomogram can only be created for regression algorithm. Providing nomogram for any machine learning (ML) algorithms may accelerate model deployment in clinical settings or improve model availability. We developed an R package and web application to construct nomogram with model explainability of any ML algorithms. Methods: We formulated a function to transform an ML prediction model into a nomogram, requiring datasets with: (1) all possible combinations of predictor values; (2) the corresponding outputs of the model; and (3) the corresponding explainability values for each predictor (optional). Web application was also created. Results: Our R package could create 5 types of nomograms for categorical predictors and binary outcome without probability (1), categorical predictors and binary outcome with probability (2) or continuous outcome (3), and categorical with single numerical predictors and binary outcome with probability (4) or continuous outcome (5). Respectively, the first and remaining types optimally allowed maximum 15 and 5 predictors with maximum 3,200 combinations. Web application is provided with such limits. The explainability values were possible for types 2 to 5. Conclusions: Our R package and web application could construct nomogram with model explainability of any ML algorithms using a fair number of predictors.
• Abstract（参考訳）: 背景: 現在のノモグラムは回帰アルゴリズムのためにのみ作成できる。 機械学習(ML)アルゴリズムのノモグラムを提供することで、臨床環境におけるモデルの展開を加速したり、モデルの可用性を向上させることができる。 我々は,任意のMLアルゴリズムのモデル説明可能性を持つノモグラムを構築するためのRパッケージとWebアプリケーションを開発した。 方法: ML予測モデルをノモグラムに変換する関数を定式化し,(1)予測値のすべての組み合わせ,(2)モデルの対応する出力,(3)予測値(オプション)の対応する説明可能性を求める。 Webアプリケーションも作成された。 結果: 我々のRパッケージは, 分類的予測値と2次結果に対して, 確率を伴わない5種類のノモグラム, カテゴリー的予測値, 確率を伴わない2次結果, 確率を伴わない2次結果, 数値的予測値, 確率を伴わない2次結果, 確率を伴わない2次結果の5種類のノモグラムを作成することができる。 比較すると、最初の型と残りの型は最大で15と5の予測器を最大で3,200の組み合わせで許容した。 Webアプリケーションにはそのような制限がある。 説明可能性値はタイプ2から5では可能であった。 結論: 我々のRパッケージとWebアプリケーションは,任意のMLアルゴリズムのモデル説明可能性を備えたノモグラムを,かなりの数の予測器を用いて構築することができる。

関連論文リスト

• Efficient distributional regression trees learning algorithms for calibrated non-parametric probabilistic forecasts [0.0]
  回帰の文脈では、条件平均を推定する代わりに、出力の予測間隔を生成することでこれを実現できる。 本稿では, WIS や CRPS の損失関数の確率回帰木を学習するための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-07T18:39:35Z)
• Topology-Agnostic Graph U-Nets for Scalar Field Prediction on Unstructured Meshes [2.4306216325375196]
  TAG U-Netはグラフ畳み込みネットワークで、任意のメッシュやグラフ構造を入力できるようにトレーニングすることができる。 モデルは、各入力グラフの粗いバージョンを構築し、元のグラフ上のノードワイズ出力を予測するために、一連の畳み込みとプーリング操作を実行する。
  論文  参考訳（メタデータ） (2024-10-08T22:27:35Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• CodeGen2: Lessons for Training LLMs on Programming and Natural Languages [116.74407069443895]
  我々はエンコーダとデコーダベースのモデルを単一のプレフィックスLMに統一する。 学習方法は,「フリーランチ」仮説の主張を考察する。 データ配信においては,混合分布と多言語学習がモデル性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2023-05-03T17:55:25Z)
• Predictability of Machine Learning Algorithms and Related Feature Extraction Techniques [0.0]
  この論文は、行列分解に基づく予測システムを設計し、特定のデータセット上の特定のモデルの分類精度を予測する。 我々は,ランダムフォレスト,XGBoost,MultiLayer Perceptron(MLP)の3つの基本機械学習アルゴリズムの性能予測について検討した。
  論文  参考訳（メタデータ） (2023-04-30T11:21:48Z)
• BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
  非決定論的分布を前提とした新しい学習パラダイムを提案する。 提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-31T05:19:38Z)
• Merging Two Cultures: Deep and Statistical Learning [3.15863303008255]
  深層学習と統計的学習の2つの文化を組み合わせることで、構造化された高次元データに対する洞察が得られる。 モデルの出力層における確率的手法を用いて予測,最適化,不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2021-10-22T02:57:21Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Probabilistic Generating Circuits [50.98473654244851]
  効率的な表現のための確率的生成回路(PGC)を提案する。 PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。 我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-19T07:06:53Z)
• Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
  我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。 私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。 本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
  論文  参考訳（メタデータ） (2020-06-07T15:35:47Z)
• Tree-AMP: Compositional Inference with Tree Approximate Message Passing [23.509275850721778]
  Tree-AMPは高次元木構造モデルにおける合成推論のためのピソンパッケージである。 このパッケージは、いくつかの近似メッセージパッシングアルゴリズムを研究するための統一フレームワークを提供する。
  論文  参考訳（メタデータ） (2020-04-03T13:51:10Z)

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。