冗余数据下随机化机器学习方法的评估:基于行政记录与风险评估的短中期自杀风险预测
机器学习
2016-05-05 v1 机器学习
摘要
精神健康患者自杀风险的准确预测仍是一个开放问题。现有方法(包括临床医生判断)具有可接受的灵敏度,但产生许多假阳性。利用行政数据具有巨大潜力,但该类数据在记录过程中存在高维度和冗余性。我们研究了三种最有效的随机化机器学习技术——随机森林、梯度提升机和带dropout的深度神经网络——在预测自杀风险中的效能。利用来自澳大利亚一家地区医院的精神健康患者队列,我们将预测性能与流行的传统方法(基于检查表的临床医生判断、稀疏逻辑回归和决策树)进行比较。随机化方法展现出对数据冗余的鲁棒性,以及在AUC和F-measure上的优越预测性能。
引用
@article{arxiv.1605.01116,
title = {An evaluation of randomized machine learning methods for redundant data: Predicting short and medium-term suicide risk from administrative records and risk assessments},
author = {Thuong Nguyen and Truyen Tran and Shivapratap Gopakumar and Dinh Phung and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1605.01116},
year = {2016}
}