面向贝叶斯加性回归树的共数据学习
机器学习
2024-11-05 v2 机器学习
摘要
医学预测应用相较于协变量数量常需应对小样本量。此类数据给预测与变量选择带来问题，尤其当协变量-响应关系复杂时。为应对这些挑战，我们提出将共数据（即关于协变量的外部信息）引入贝叶斯加性回归树（BART）——一种利用树参数先验防止过拟合的树求和预测模型。为纳入共数据，我们发展了经验贝叶斯（EB）框架，在共数据模型辅助下估计BART模型中的先验协变量权重。所提方法可同时处理多种类型的共数据。此外，所提EB框架也能估计BART的其他超参数，从而成为交叉验证的一种诱人替代方案。我们表明该方法能找到相关协变量，且在模拟中相较默认BART改善预测。若协变量-响应关系为非线性，该方法可借助BART的灵活性胜过基于回归的共数据学习器。最后，在基于临床协变量、基因突变、DNA易位和DNA拷贝数数据的弥漫大B细胞淋巴瘤预后应用中，共数据的使用提升了预测。关键词：贝叶斯加性回归树；经验贝叶斯；共数据；高维数据；组学；预测
引用
@article{arxiv.2311.09997,
title = {Co-data Learning for Bayesian Additive Regression Trees},
author = {Jeroen M. Goedhart and Thomas Klausch and Jurriaan Janssen and Mark A. van de Wiel},
journal= {arXiv preprint arXiv:2311.09997},
year = {2024}
}
备注
30 pages, 3 Figures, 2 Tables