کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869440 681363 2016 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A sequential logistic regression classifier based on mixed effects with applications to longitudinal data
ترجمه فارسی عنوان
طبقه بندی رگرسیون لجستیک بر اساس اثرات مخلوط با برنامه های کاربردی به داده های طولی
کلمات کلیدی
طبقه بندی، مدل های مختلف مخلوط، داده های طولی،
ترجمه چکیده
طبقه بندی زود هنگام در داده های طولی بسیار مطلوب است. برای این منظور، طبقه بندی ترتیبی است که شامل یک چارچوب منطقه خنثی است. روش طبقه بندی هر موضوع را به صورت متوالی در هر نقطه زمان طولی ارزشیابی می کند. اگر اطمینان کافی در ایجاد یک طبقه بندی در یک زمان معین وجود نداشته باشد، تصمیم منتظر تا زمان بعدی بعدی که در آن اندازه گیری دیگری جمع آوری می شود. این روند ادامه می یابد تا اعتماد به نفس کافی در ایجاد یک طبقه بندی وجود داشته باشد یا تا زمانی که آخرین نقطه زمانی که داده ها بتوانند جمع آوری شوند، رسیده است. نشان داده شده است که طبقه بندی پیشنهاد شده ترتیبی نرخ های رقابتی خطوط را حفظ می کند و هزینه کل را کاهش می دهد در حالی که هزینه زمان در نظر گرفته می شود. طبقه بندی شده به یک نمونه واقعی از شناسایی بیماران مبتلا به اختلال عملکرد کلیوی مبتنی بر 7 خون به طور متوالی از هر بیمار گرفته می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
طبقه بندی رگرسیون لجستیک بر اساس اثرات مخلوط با برنامه های کاربردی به داده های طولی
چکیده انگلیسی
Making an early classification in longitudinal data is highly desirable. For this purpose, a sequential classifier that incorporates a neutral zone framework is proposed. The classification procedure evaluates each subject sequentially at each longitudinal time point. If there is not adequate confidence in making a classification at a given time point, the decision will wait until the next time point where another measurement is collected. This process continues until there is enough confidence of making a classification or until the last time point where data can be collected is reached. It is demonstrated that the proposed sequential classifier maintains competitive error rates while reducing the overall cost when the cost of time is taken into account. The classifier is applied to a real example of identifying patients that are vulnerable to kidney dysfunction on the basis of up to 7 blood draws sequentially taken from each patient.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 94, February 2016, Pages 238-249
نویسندگان
, , , ,