基于标签损坏数据的机器学习鲁棒倾向得分计算方法

在生物统计学中，倾向得分是一种常用方法，用于分析协变量的不平衡并处理混杂协变量以消除组间差异。尽管存在大量计算倾向得分的方法，它们的共同问题是数据集中存在损坏的标签。例如，从患者收集的数据可能包含被错误治疗的样本，而计算方法可能将其作为误导性信息纳入。本文中，我们提出一种基于机器学习的方法来处理该问题。具体而言，我们利用大多数样本应被标以正确实例这一事实，设计了一种先通过谱聚类对数据进行聚类、再从聚类结果处理后的分布中抽样新数据集的方法。倾向得分由 Xgboost 计算，本文给出了我们方法的数学论证。实验结果表明，经我们方法处理的数据所计算的 xgboost 倾向得分优于使用原始数据的同一方法，且随着我们向数据集中加入一些人造损坏，我们方法的优势增大。同时，使用 xgboost 计算多处理的倾向得分也是该领域的一项开创性工作。