在预测时序疾病网络趋势时提升置信度
机器学习
2018-04-02 v1 机器学习
摘要
对于医疗和医学等高度敏感的现实世界预测分析应用，仅具有良好的预测准确率往往是不够的。这类应用需要一个尽可能使用不确定性估计作为输入的决策过程。不确定性估计的质量涉及预测过度自信或欠自信的问题，许多模型通常未解决这一问题。在本文中，我们展示了高斯条件随机场模型的若干扩展，旨在提供更高质量的不确定性估计。这些扩展被应用于从 HCUP 获取的加利福尼亚州住院患者数据库 (SID) 构建的时序疾病图。我们的实验证明了在图信息用于建模时序疾病属性方面的益处，以及高斯条件随机场方法的给定扩展在不确定性估计方面带来的改进。
引用
@article{arxiv.1803.11462,
title = {Improving confidence while predicting trends in temporal disease networks},
author = {Djordje Gligorijevic and Jelena Stojanovic and Zoran Obradovic},
journal= {arXiv preprint arXiv:1803.11462},
year = {2018}
}
备注
Proceedings of the 4th Workshop on Data Mining for Medicine and Healthcare, 2015 SIAM International Conference on Data Mining, Vancouver, Canada, April 30 - May 02, 2015