Регрессия Кокса, или модель пропорциональных рисков: |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2022-11-07 01:41 изучает зависимость времени дожития от независимых переменных предполагает прогнозирование риска наступления события для рассматриваемого объекта и оценивает влияние независимых переменных на этот риск. При анализе данных дожития интерес представляют: Функция дожития – вероятность, что объект исследования выживет по прошествии времени. Функция риска – вероятность, что событие наступит в течение ничтожно малого интервала времени, учитывая, что объект доживает до начала этого интервала. В регрессии Кокса основными являются три вида показателей: •исход •период наблюдения •предикторы. Только в регрессии Кокса можно оценить влияние множества предикторов на исход с учетом периода наблюдения. Критерии применения регрессии Кокса: все предикторы независимы. все переменные линейно влияют на логарифм функции риска наступления события; риск наступления события для любых двух объектов в любой интервал времени пропорционален. момент начала и окончания исследования или интервал наблюдения в единицах времени должны быть точно определены для каждого члена выборки; определение исхода и момент его возникновения также должны быть четко зафиксированы; цензурированные и нецензурированные наблюдения не должны отличаться по выживаемости друг от друга; методы оценки выживаемости и определения исхода одинаковы на протяжении всего исследования; условия, влияющие на выживаемость, не меняются в ходе исследования. Особенностью кодировки исхода в базе данных для удобства работы с программным обеспечением является то, что наличие исхода за период наблюдения должно быть закодировано единицей, а его отсутствие – нулем. Оценка регрессионной модели: критерий Wald – если регрессионный коэффициент значимо отличается от нуля, то независимая переменная вносит значимый вклад в предсказательную способность модели. коэффициент Exp(B) – показывает во сколько раз изменяется риск возникновения исхода, если значение предиктора изменяется на единицу. Источник: vk.com Комментарии: |
|