机器学习回归模型的系统性偏差及其纠正：应用于影像学脑龄预测
机器学习
2024-09-05 v2 机器学习
统计方法学
摘要
机器学习模型用于连续结果时，往往会产生系统性偏差，尤其是对于偏离均值较大的值。具体而言，对大值的预测结果会呈负偏差（低估实际值），而对小值的预测结果则呈正偏差（高估实际值）。我们称之为机器学习回归的“线性中心倾向扭曲偏差”。本文首先演示了这一系统性预测偏差在各种机器学习回归模型中均存在，然后深入探讨其理论根源。为解决此问题，我们提出一种通用的受约束优化方法，用于纠正这种偏差，并开发出高效的实现算法。仿真结果表明，我们的纠正方法有效消除了预测结果中的偏差。我们将所提方法应用于神经影像数据的脑龄预测。与现有机器学习回归模型相比，我们的方法有效解决了神经影像学中“机器学习回归系统性偏差”的长期问题，实现了脑龄预测的无偏差。
引用
@article{arxiv.2405.15950,
title = {A Systematic Bias of Machine Learning Regression Models and Its Correction: an Application to Imaging-based Brain Age Prediction},
author = {Hwiyoung Lee and Shuo Chen},
journal= {arXiv preprint arXiv:2405.15950},
year = {2024}
}