An Update on Statistical Boosting in Biomedicine.
An Update on Statistical Boosting in Biomedicine.
复制标题
DOI：
10.1155/2017/6083072
复制
发表时间：
2017
影响因子：
--
通讯作者：
Gefeller O
中科院分区：
文献类型：
--
作者：
Mayr A;Hofner B;Waldmann E;Hepp T;Meyer S;Gefeller O
在过去的十年中，统计增强算法引发了大量研究。它们将强大的机器学习方法与经典统计建模相结合，提供了各种实用优势，如自动变量选择和效果估计的隐含正则化。它们非常灵活，因为潜在的基础学习者(定义解释变量的效果类型的回归函数)可以与任何类型的损失函数(要优化的目标函数，定义回归设置的类型)相结合。在这篇综述文章中，我们重点介绍了关于变量选择、函数回归和先进的事件间隔时间模型的统计增强方法的最新发展。此外，我们还简要概述了统计增强在生物医学中的相关应用。
Statistical boosting algorithms have triggered a lot of research during the last decade. They combine a powerful machine learning approach with classical statistical modelling, offering various practical advantages like automated variable selection and implicit regularization of effect estimates. They are extremely flexible, as the underlying base-learners (regression functions defining the type of effect for the explanatory variables) can be combined with any kind of loss function (target function to be optimized, defining the type of regression setting). In this review article, we highlight the most recent methodological developments on statistical boosting regarding variable selection, functional regression, and advanced time-to-event modelling. Additionally, we provide a short overview on relevant applications of statistical boosting in biomedicine.
登录
查看更多内容
影响因子：
5.7
作者：
Breiman, L
通讯作者：
Breiman, L
DOI：
10.1146/annurev-statistics-022513-115545
发表时间：
2014-01-01
期刊：
ANNUAL REVIEW OF STATISTICS AND ITS APPLICATION, VOL 1
影响因子：
--
作者：
Buehlmann, Peter;Kalisch, Markus;Meier, Lukas
通讯作者：
Meier, Lukas
影响因子：
3.7
作者：
Bühlmann, P;Yu, B
通讯作者：
Yu, B
影响因子：
5.7
作者：
Buehlmann, Peter;Hothorn, Torsten
通讯作者：
Hothorn, Torsten
影响因子：
1.7
作者：
Buhlmann, P.;Gertheiss, J.;Ziegler, A.
通讯作者：
Ziegler, A.