混合梯度提升树与神经网络用于手术室数据预测
机器学习
2018-01-25 v2 人工智能
机器学习
摘要
时间序列数据构成了机器学习中一个独特且日益重要的问题。随着时间序列数据语料的不断增长，同时学习特征并用这些特征进行分类的深度模型可能难以处理或并非最优。在本文中，我们提出通过长短期记忆（LSTM）网络进行特征学习，并通过梯度提升树（XGB）进行预测。聚焦于电子健康记录数据这一重要场景，我们基于过去的特征预测未来五分钟低氧血症的发生。我们做出两点观察：1）长短期记忆网络能基于单一特征有效捕捉长期依赖；2）梯度提升树能够可处理地组合大量特征，包括身高、体重等静态特征。鉴于这些观察，我们通过使用 LSTM 网络进行“有监督”表示学习来生成特征。用这些特征增强原始 XGB 模型，其性能显著优于任一单独方法。
引用
@article{arxiv.1801.07384,
title = {Hybrid Gradient Boosting Trees and Neural Networks for Forecasting Operating Room Data},
author = {Hugh Chen and Scott Lundberg and Su-In Lee},
journal= {arXiv preprint arXiv:1801.07384},
year = {2018}
}
备注
Presented at Machine Learning for Health Workshop: 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA