Predicting local malaria exposure using a Lasso-based two-level cross validation algorithm.
Predicting local malaria exposure using a Lasso-based two-level cross validation algorithm.
复制标题
DOI：
10.1371/journal.pone.0187234
复制
发表时间：
2017
期刊：
影响因子：
3.7
通讯作者：
Cottrell G
中科院分区：
文献类型：
--
作者：
Kouwaye B;Rossi F;Fonton N;Garcia A;Dossou-Gbété S;Hounkonnou MN;Cottrell G
最近的研究强调了当地环境因素对确定疟疾传播和接触媒介的细微异质性的重要性。在这项工作中，我们比较了经典的反向选择GLM模型和不同版本的基于套索的自动算法的两级交叉验证，目的是使用贝宁队列研究的昆虫学和环境数据，建立个人接触疟疾媒介的空间和时间相关的预测模型。尽管通过适当的工程设计，GLM的预测能力可以超过LASSO模型，但就预测能力而言，最好的模型是基于LASSO的模型。我们的方法可以适应不同的主题，因此可能有助于解决其他健康科学领域的预测问题。
Recent studies have highlighted the importance of local environmental factors to determine the fine-scale heterogeneity of malaria transmission and exposure to the vector. In this work, we compare a classical GLM model with backward selection with different versions of an automatic LASSO-based algorithm with 2-level cross-validation aiming to build a predictive model of the space and time dependent individual exposure to the malaria vector, using entomological and environmental data from a cohort study in Benin. Although the GLM can outperform the LASSO model with appropriate engineering, the best model in terms of predictive power was found to be the LASSO-based model. Our approach can be adapted to different topics and may therefore be helpful to address prediction issues in other health sciences domains.
登录
查看更多内容
影响因子：
5.1
作者：
Genuer, Robin;Poggi, Jean-Michel;Tuleau-Malot, Christine
通讯作者：
Tuleau-Malot, Christine
影响因子：
3
作者：
Dery DB;Brown C;Asante KP;Adams M;Dosoo D;Amenga-Etego S;Wilson M;Chandramohan D;Greenwood B;Owusu-Agyei S
通讯作者：
Owusu-Agyei S
随机森林中的偏见重要性措施：插图，来源和解决方案。
影响因子：
3
作者：
Strobl, Carolin;Boulesteix, Anne-Laure;Zeileis, Achim;Hothorn, Torsten
通讯作者：
Hothorn, Torsten
影响因子：
3.7
作者：
Campbell, Jonathan J.;Davidenko, Natalia;Watson, Christine J.
通讯作者：
Watson, Christine J.
影响因子：
3
作者：
Díaz-Uriarte R;Alvarez de Andrés S
通讯作者：
Alvarez de Andrés S