面向ICU死亡率的特征表示
人工智能
2016-02-09 v2 机器学习
机器学习
摘要
ICU死亡率的良好预测因子有潜力更早识别高危患者、改善ICU资源分配或创建更精确的群体水平风险模型。机器学习从业者通常会在特定模型中就如何表示特征做出选择，但这些选择很少被定量评估。本研究比较了来自MIMIC II的临床事件数据在逻辑回归模型中预测36小时ICU死亡率的不同表示方式的性能。最常见的表示是线性（归一化计数）和二值（是/否）。这些与一种称为“hill”的新表示一起，使用L1和L2正则化进行比较。结果表明引入的“hill”表示优于二值和线性表示，因此hill表示有潜力改进现有的ICU死亡率模型。
引用
@article{arxiv.1512.05294,
title = {Feature Representation for ICU Mortality},
author = {Harini Suresh},
journal= {arXiv preprint arXiv:1512.05294},
year = {2016}
}
备注
This article has been withdrawn due by the author due to the need for more testing to verify results