Logistic push：一种面向部分 AUC 优化的回归框架
应用统计
2016-06-22 v1
摘要
受试者工作特征曲线下面积(AUC)常用于评估临床预测模型的性能。近期，一种更精细的策略被提出以检验曲线下部分面积(pAUC)，该策略可以考虑与假阴性相对于假阳性结果相关的不同代价。根据临床问题的不同，这种考量可以大幅提升预测模型的临床实用性。pAUC 估计量的特性为 pAUC 最优标志物选择与模型构建带来了重大挑战。因此，目前针对这些目标的方法可能复杂且计算量大。我们提出了一种基于加权 logistic 回归的更简单方法。由于与排序算法 P-norm push 共享启发式思想，我们将该策略称为 logistic push。Logistic push 在高维环境中尤为有用，在该环境中，广泛可用且快速的惩罚回归拟合算法可用于标志物选择与模型拟合。
引用
@article{arxiv.1606.06562,
title = {Logistic push: a regression framework for partial AUC optimization},
author = {Travis Gerke and Svitlana Tyekucheva and Lorelei Mucci and Giovanni Parmigiani},
journal= {arXiv preprint arXiv:1606.06562},
year = {2016}
}