通过模型复杂度驱动的类比例调优增强类不平衡数据的临床预测建模：阿片类药物过量预测的实证研究
机器学习
2023-05-11 v1 应用统计
摘要
类不平衡问题广泛存在于医学领域，并严重损害临床预测模型的性能。大多数缓解该问题的技术重新平衡类比例，且它们主要假设重新平衡后的比例应是原始数据的函数，而与所使用的模型无关。本文挑战这一主流假设，提出将最优类比例与模型复杂度相联系，从而针对每个模型调优类比例。我们在阿片类药物过量预测问题上的实验凸显了调优类比例带来的性能提升。严格的回归分析也证实了所提出理论框架的优势，以及控制模型复杂度的超参数与最优类比例之间具有统计显著的相关性。
引用
@article{arxiv.2305.05722,
title = {Enhancing Clinical Predictive Modeling through Model Complexity-Driven Class Proportion Tuning for Class Imbalanced Data: An Empirical Study on Opioid Overdose Prediction},
author = {Yinan Liu and Xinyu Dong and Weimin Lyu and Richard N. Rosenthal and Rachel Wong and Tengfei Ma and Fusheng Wang},
journal= {arXiv preprint arXiv:2305.05722},
year = {2023}
}