权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Datenaufbereitung bei der Validierung von biomedizinischen Prädiktionsmodellen

生物医学预测模型验证中的数据准备

基本信息

批准号：
192522475
负责人：
Professorin Dr. Anne-Laure Boulesteix
金额：
--
依托单位：
Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie
依托单位国家：
德国
项目类别：
Research Grants
财政年份：
2011
资助国家：
德国
起止时间：
2010-12-31 至 2014-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/192522475?language=en
关键词：
Datenaufbereitung bei der Validierung von

项目摘要

Dieses Projekt soll die Schnittstelle zwischen Datenaufbereitung und Evaluation molekularer Prädiktionsmodelle für medizinische Zielgrößen betrachten. Der Hintergrund des Projekts ist, dass in der Praxis oft der gesamte Datensatz simultan aufbereitet wird (z.B. durch Normalisierung, Skalierung, Dichotomisierung oder Imputation) und somit die strikte Trennung zwischen Trainings- und Validierungsdaten nicht gewährleistet wird. Dadurch kann die Prädiktionsgüte überschätzt werden. Werden Trainings- und Validierungsdaten im Gegensatz dazu separat aufbereitet, können die gewonnenen Prädiktionsregeln schlechter übertragen werden. Diese beiden Aspekte sollen anhand einer empirischen Studie quantitativ untersucht werden. Darüber hinaus werden Ansätze, die die Datenaufbereitung in den Evaluationsprozess integrieren, weiterentwickelt: die Datenaufbereitung wird auf dem Trainingsdatensatz durchgeführt und durch spezielle Parameter dokumentiert. Diese Parameter werden anschließend dazu verwendet, die Validierungsdaten möglichst ähnlich aufzubereiten. Damit wird die Trennung von Trainings- und Validierungsdaten aus Sicht des statistischen Lernens gewährleistet. Trotzdem sind beide Datensätze vergleichbar, da sie mit denselben Parametern aufbereitet wurden.

该项目旨在提供Schnittstelle zwischen Datenaufbereitung und Evaluation molekularer Prädiktionmodelle für medizinische Zielgrößen betrachten。在实践中，数据的同步处理往往是项目的核心。durch Normalisierung，Skalierung，Dichotomisierung oder Imputation）und somit die strikte Trennung zwischen Trainings- und Validierungsdaten nicht gewährleistet wird.爸爸可以让你的宝宝韦尔登。韦尔登培训-和验证数据在Gegenetrant dazu separat aufbearut，können die gewonnenen Prädiktionsregeln schlechter übertragen韦尔登.这是一个定量的经验研究韦尔登。作为韦尔登的回应，在评价过程中的数据收集是一体化的，但也是可以改变的：数据收集将通过特定的参数进行培训数据收集。该参数韦尔登anschließend dazu verwendet，die Validierungsdaten möglichst ähnlich aufzubereiten. Damit wird die Trennung von Trainings- und Validierungsdaten aus Sicht des statistischen Lernens gewährleistet. Trotzdem sind beide Datensätze vergleichbar，da sie mit denselben Parametern aufbeetern aufbeetern.