Random survival forest with space extensions for censored data

قابلیت پیش بینی یک طبقه بندی معمولا با اضافه کردن متغیرهای جدید به صورت تصادفی ترکیبی از دو یا چند متغیر اصلی بهبود می یابد. با این حال، مفید بودن آن در تجزیه و تحلیل بقای سانسور داده های زمان به رویداد تا کنون مورد تایید قرار گرفته است. در این تحقیق، به بررسی امکان پذیری روش گسترش فضا، که در ابتدا برای طبقه بندی پیشنهاد شده بود، برای تحلیل بقاء مورد بررسی قرار گرفت. با ترکیبی از زیرمجموعه تصادفی، تکنیک های بسته بندی و فضای پیشرفته، ما یک جنگل بقا تصادفی با الگوریتم توسعه فضاها را توسعه می دهیم. بر اساس نتایج تجزیه و تحلیل آماری، ما نشان می دهیم که مدل پیشنهادی بهتر از مدل های بقاء محبوب مانند جنگل بقا تصادفی، جنگل زنده ماندن، خطر متناسب با ککس و مدل های بقاء تقویت شده در مجموعه داده های شناخته شده است.