用于成分数据潜在预算分析的神经网络
机器学习
2021-09-13 v1 机器学习
应用统计
统计方法学
摘要
成分数据是在行和为常数的矩形矩阵中收集的非负数据。由于非负性，关注点在于每行总和为1的条件比例。一行条件比例称为一个观测预算。潜在预算分析（LBA）假设用潜在预算的混合来解释观测预算。LBA通常拟合于列联表，其中行是一个或多个解释变量的水平，列是响应变量的水平。在前瞻性研究中，仅知个体的解释变量信息，而兴趣在于预测响应变量。因此，需要一种具有预测功能的LBA形式。以往研究提出了LBA的约束神经网络（NN）扩展，但其预测能力不佳。本文提出LBA-NN，一种前馈神经网络模型，它提供与LBA相似的解释性，但赋予LBA更好的预测能力。通过使用重要性图和表格，展示所有解释变量对响应变量的相对重要性，从而获得LBA-NN稳定且合理的解释。采用LBA-NN-K-means方法，对重要性表进行K均值聚类，生成K个聚类，可与LBA中的K个潜在预算相比较。本文提供了不同实验，实现并比较了LBA-NN与LBA。在我们的分析中，LBA-NN在准确率、特异性、召回率和均方误差方面均优于LBA的预测性能。我们在GitHub上提供开源软件。
引用
@article{arxiv.2109.04875,
title = {Neural Networks for Latent Budget Analysis of Compositional Data},
author = {Zhenwei Yang and Ayoub Bagheri and P. G. M van der Heijden},
journal= {arXiv preprint arXiv:2109.04875},
year = {2021}
}