利用代谢组学数据预测冠状动脉疾病的机器学习方法评估
机器学习
2017-03-08 v1
摘要
代谢组学数据有望实现准确、无创且低成本的冠状动脉疾病预测。然而，基于回归的分析方法可能无法充分考虑代谢物之间的交互作用，依赖于先验选择的输入特征，因此可能准确性较差。监督式机器学习方法可被用于充分挖掘数据的维度和丰富性。在本文中，我们系统地实现并评估了一组监督学习方法（L1 回归、随机森林分类器），并将其与使用代谢组学数据进行疾病预测的传统基于回归的方法进行了比较。
引用
@article{arxiv.1703.02116,
title = {Evaluation of Machine Learning Methods to Predict Coronary Artery Disease Using Metabolomic Data},
author = {Henrietta Forssen and Riyaz S. Patel and Natalie Fitzpatrick and Aroon Hingorani and Adam Timmis and Harry Hemingway and Spiros C. Denaxas},
journal= {arXiv preprint arXiv:1703.02116},
year = {2017}
}
备注
Medical Informatics Europe (MIE2017)