Classical Statistics and Statistical Learning in Imaging Neuroscience.
Classical Statistics and Statistical Learning in Imaging Neuroscience.
复制标题
DOI：
10.3389/fnins.2017.00543
复制
发表时间：
2017
影响因子：
4.3
通讯作者：
Bzdok D
中科院分区：
文献类型：
--
作者：
Bzdok D
脑成像研究主要通过经典统计学方法产生洞察力，包括回归类型分析和使用t检验和ANOVA的零假设检验。近年来，统计学习方法越来越受欢迎，特别是在丰富和复杂数据的应用中，包括使用模式分类和稀疏诱导回归的交叉验证样本外预测。这篇概念论文讨论了神经影像学中常见数据分析场景中的推理论证和算法方法的影响。它追溯了经典统计学和统计学习如何起源于不同的历史背景，建立在不同的理论基础上，做出不同的假设，并评估不同的结果指标，以允许不同的细微差别的结论。目前的考虑应该有助于减少目前的混淆模型驱动的经典假设检验和数据驱动的学习算法研究大脑成像技术。
Brain-imaging research has predominantly generated insight by means of classical statistics, including regression-type analyses and null-hypothesis testing using t-test and ANOVA. Throughout recent years, statistical learning methods enjoy increasing popularity especially for applications in rich and complex data, including cross-validated out-of-sample prediction using pattern classification and sparsity-inducing regression. This concept paper discusses the implications of inferential justifications and algorithmic methodologies in common data analysis scenarios in neuroimaging. It is retraced how classical statistics and statistical learning originated from different historical contexts, build on different theoretical foundations, make different assumptions, and evaluate different outcome metrics to permit differently nuanced conclusions. The present considerations should help reduce current confusion between model-driven classical hypothesis testing and data-driven learning algorithms for investigating the brain with imaging techniques.
登录
查看更多内容
神经影像学中脑部疾病的单受试者预测：前景和陷阱
影响因子：
5.7
作者：
Arbabshirani MR;Plis S;Sui J;Calhoun VD
通讯作者：
Calhoun VD
影响因子：
5.7
作者：
Bellec, Pierre;Rosa-Neto, Pedro;Evans, Alan C.
通讯作者：
Evans, Alan C.
影响因子：
56.9
作者：
Amunts, Katrin;Lepage, Claude;Evans, Alan C.
通讯作者：
Evans, Alan C.
影响因子：
3.7
作者：
Berkson, J
通讯作者：
Berkson, J
影响因子：
25
作者：
Behrens, TEJ;Johansen-Berg, H;Matthews, PM
通讯作者：
Matthews, PM