支持向量机的受试者工作特征曲线与置信带
机器学习
2018-07-19 v1 机器学习
摘要
许多出现在生物医学决策中的问题，例如疾病诊断和预测治疗反应，都可以表述为二分类问题。假阳性和假阴性的代价在不同应用领域中有所不同，而受试者工作特征（ROC）曲线提供了这种权衡的可视化表示。ROC 曲线的非参数估计量，例如加权支持向量机（SVM），因其对模型设定错误具有鲁棒性而受到青睐。尽管加权 SVM 在估计 ROC 曲线方面具有巨大潜力，但其理论性质此前发展不足。我们提出了一种为 SVM ROC 曲线构建置信带的方法，并通过证明估计决策规则的风险函数在权重参数上一致一致，为 SVM ROC 曲线提供了理论依据。我们通过模拟研究展示了所提出的置信带方法以及加权 SVM 相对于诊断医学中常用方法的更优敏感性和特异性。我们给出了两个说明性例子：丙型肝炎的诊断和乳腺癌治疗反应的预测模型。
引用
@article{arxiv.1807.06711,
title = {Receiver Operating Characteristic Curves and Confidence Bands for Support Vector Machines},
author = {Daniel J. Luckett and Eric B. Laber and Samer S. El-Kamary and Cheng Fan and Ravi Jhaveri and Charles M. Perou and Fatma M. Shebl and Michael R. Kosorok},
journal= {arXiv preprint arXiv:1807.06711},
year = {2018}
}