(উচিত?) নিয়মিতকরণ কৌশলগুলি এলোমেলো প্রভাবের মডেলটিতে ব্যবহার করা যেতে পারে?

Question

নিয়মিতকরণের কৌশলগুলি দ্বারা আমি লসো, রিজ রিগ্রেশন, ইলাস্টিক নেট এবং এর মতো উল্লেখ করছি।

জনসংখ্যার উপাত্ত এবং ডায়াগনোসিস ডেটা সম্বলিত স্বাস্থ্যসেবা ডেটা সম্পর্কিত একটি ভবিষ্যদ্বাণীপূর্ণ মডেল বিবেচনা করুন যেখানে রোগীদের থাকার জন্য থাকার দৈর্ঘ্যের পূর্বাভাস দেওয়া হচ্ছে। কিছু ব্যক্তির জন্য বেসলাইন সময়কালীন একাধিক লস পর্যবেক্ষণ (যেমন, একাধিক আইপি পর্ব) থাকে যা পরস্পর সম্পর্কিত হয়।

উদাহরণস্বরূপ, এটি একটি ইলাস্টিক নেট প্রেডিকটিভ মডেল তৈরির অর্থ কী?

Comments

আপনার প্রথম লাইনের সাবটাইটেলগুলি: "এলোমেলো প্রভাব কৌশল দ্বারা (যেমন একটি প্যারামিটার এলোমেলোভাবে কীভাবে বিতরণ করা হয় সে সম্পর্কে অনুমান) আমি রিগ্রেশন প্যারামিটারগুলিতে ল্যাপ্লেস প্রিয়ারস এবং নরমাল প্রিয়ারগুলি উল্লেখ করছি ... এবং" ":-)

— কনজুগেটপ্রিয়র

Answer 1

এই প্রশ্নটি নিয়ে কাজ করার জন্য কয়েকটি কাগজপত্র রয়েছে। আমি কোনও বিশেষ অর্ডারে সন্ধান করব:

1. Pen.LME: হাওয়ার্ড ডি বনডেল, অরুণ কৃষ্ণ, এবং সুজিত কে ঘোষ। রৈখিক মিশ্র-ইটাস মডেলগুলিতে স্থির এবং র্যান্ডম ইটসের জন্য যৌথ পরিবর্তনশীল নির্বাচন। বায়োমেট্রিকস, 66 (4): 1069-1077, 2010।

2. GLMMLASSO: জুর্গ শেলডোরফার, পিটার বুহলম্যান, সারা ভ্যান ডি গির। L1- পেনালাইজেশন ব্যবহার করে উচ্চ-মাত্রিক লিনিয়ার মিশ্র-ইটস মডেলগুলির জন্য অনুমান। পরিসংখ্যান স্ক্যান্ডিনেভিয়ান জার্নাল, 38 (2): 197-214, 2011।

যা অনলাইনে পাওয়া যাবে।

আমি এখন মিশ্র মডেল (এলএমএমইএন) এর উপর একটি ইলাস্টিক নেট পেনাল্টি প্রয়োগ করার একটি কাগজ শেষ করছি এবং আগামী মাসে এটি জার্নাল পর্যালোচনার জন্য প্রেরণের পরিকল্পনা করছি।

3. এলএমএমইএন: সিডি, itতভ, আনগার। ইলাস্টিক নেট পেনাল্টির মাধ্যমে লিনিয়ার মিশ্রিত মডেলগুলিকে নিয়মিতকরণ এবং শ্রেণিবিন্যাস

সর্বোপরি, আপনি যদি এমন ডেটা মডেলিং করছেন যা সাধারণ হয় না বা পরিচয় লিঙ্ক না থাকে আমি জিএলএমএমএলএসওর সাথে যাব, (তবে সাবধান থাকুন যে এটি প্রচুর আরআর হ্যান্ডেল করতে পারে না)। অন্যথায় পেন.এলএমই আপনার পক্ষে খুব বেশি সংযুক্ত ডেটা নেই বলে দেওয়া ভাল, এটি স্থির বা এলোমেলো প্রভাবের মধ্যে থাকুক। পরবর্তী ক্ষেত্রে আপনি আমাকে মেইল ​​করতে পারেন এবং আমি আপনাকে কোড / কাগজ প্রেরণে খুশি হব (আমি নিকট ভবিষ্যতে এটি ক্র্যানে লাগিয়ে দেব)।

আমি আজ CRAN- এ আপলোড করেছি - lmmen । এটি একই সাথে স্থির এবং এলোমেলো প্রভাবগুলিতে একটি ইলাস্টিক-নেট টাইপ পেনাল্টি সহ লিনিয়ার মিশ্রিত মডেল সমস্যার সমাধান করে।

এটিতে lmmlasso এবং glmmLasso প্যাকেজগুলির জন্য সিভি ফাংশন রয়েছে functions

Comments

ইয়োনিকড, রৈখিক মিশ্র মডেলগুলিতে ইলাস্টিক নেট ব্যবহারের বিষয়টি হ'ল আমি যা খুঁজছি। আমি জেনেটিক ডেটা নিয়ে কাজ করছি যা পারস্পরিক সম্পর্কযুক্ত, তাই একটি ইলাস্টিক নেট এর গোষ্ঠীভুক্ত নির্বাচন খুব দরকারী হবে। আমি আপনার সাথে যোগাযোগের চেষ্টা করেছি, তবে এই উত্তরটি পোস্ট করা ছাড়া অন্য কোনও উপায় খুঁজে পাইনি, কারণ এটি কোনও বার্তা প্রেরণ করা অসম্ভব বলে মনে হচ্ছে। যাইহোক, আমি আপনার কাগজটি পড়ার অপেক্ষায় রয়েছি এবং এটি পাওয়া মাত্র আপনার কোডটি চেষ্টা করব।

Answer 2

আমি সবসময়ই রিজ রিগ্রেশনকে কেবল একিমনস্ক্রিয় র্যান্ডম এফেক্টস মডেল হিসাবে দেখি যা একটি একক শ্রেণিবদ্ধ পরিবর্তনশীল (এবং কোনও অভিনব সম্পর্ক সম্পর্কিত ম্যাট্রিক্স) এর মধ্যে সীমাবদ্ধ নয়। রিজ পেনাল্টি যাচাই করা এবং কোনও সাধারণ এলোমেলো প্রভাবের ফিটিং / অনুমান করা থেকে আপনি প্রায় সর্বদা একই পূর্বাভাস পেতে পারেন। আপনার উদাহরণে, আপনি অভিনবত্ব পেতে পারেন এবং ডেমো / ডায়াগ বৈশিষ্ট্যগুলিতে পৃথক রিজ পেনাল্টি এবং রোগীর সূচকগুলিতে অন্য একটি (পেনাল্টি স্কেলিং ফ্যাক্টারে কিছু লাইন ব্যবহার করে glmnet) রাখতে পারেন। বিকল্পভাবে, আপনি একটি অভিনব এলোমেলো প্রভাব অন্তর্ভুক্ত করতে পারে যা ব্যক্তি দ্বারা সময়-সম্পর্কযুক্ত প্রভাব রয়েছে। এই সম্ভাবনার কোনওটিই সঠিক বা ভুল নয়, সেগুলি কেবল কার্যকর।

Answer 3

আমি বর্তমানে একটি অনুরূপ প্রশ্ন সম্পর্কে চিন্তা করছি। আমি মনে করি প্রয়োগের ক্ষেত্রে, এটি কার্যকর হলে আপনি এটি করতে পারেন এবং আপনি বিশ্বাস করেন যে এটি ব্যবহার করা যুক্তিসঙ্গত। যদি এটি এলোমেলো প্রভাবগুলির একটি সাধারণ সেটিং হয় (এর অর্থ, আপনার প্রতিটি গ্রুপের জন্য বারবার পরিমাপ রয়েছে) তবে এটি কেবল অনুমানের কৌশল সম্পর্কে, যা কম বিতর্কিত। আপনার যদি বেশিরভাগ গোষ্ঠীর জন্য আসলে অনেকগুলি বারবার পরিমাপ না থাকে, তবে এটি স্বাভাবিক র্যান্ডম এফেক্টস মডেলের সীমান্তরেখায় থাকতে পারে এবং আপনি যদি এটি সাধারণ হিসাবে প্রস্তাব করতে চান তবে আপনি অবশ্যই এর বৈধতাটিকে (পদ্ধতিটির দৃষ্টিকোণ থেকে) যথাযথভাবে ন্যায়সঙ্গত করতে চাইতে পারেন it পদ্ধতি।