基于符号回归的信息融合：以人类健康为背景的教程
机器学习
2023-06-02 v1 人工智能
符号计算
摘要
本教程论文概述了符号回归（SR）的一般情况，特别关注可解释性标准。我们认为，可解释建模（尽管其定义在文献中仍有争议）是支持成功信息融合评估的一种实用方法。为了传达 SR 作为一种建模技术的优势，我们使用来自美国疾病控制与预防中心（CDC）的公开国家健康与营养检查调查（NHANES）数据，在健康与营养领域展示了一项应用，将人体测量标记融合为一个简单的数学表达式来估算体脂百分比。我们讨论了与 SR 建模相关的优势与挑战，并对所学模型进行了定性和定量分析。
引用
@article{arxiv.2306.00153,
title = {Information Fusion via Symbolic Regression: A Tutorial in the Context of Human Health},
author = {Jennifer J. Schnur and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2306.00153},
year = {2023}
}