On the Application of Bundling in Medical Diagnosis

• Autorzy: Małgorzata Misztal

Warianty tytułu

O zastosowaniu metody wiązania modeli (bundling) w diagnostyce medycznej

• Języki publikacji: EN

Abstrakty

EN

Bundling was proposed by Hothorn (2003a) as a modification of bagging (Breiman 1996). The main idea is to use the out-of-bag (OOB) observations of a bootstrap sample to buildclassifiers of arbitrary type (i.e. LDA or NN). The predictions of those classifiers are computed for the observations in the bootstrap sample and are used as predictors offered to classification trees in addition to the original predictors (Hothorn 2003a). In the study bundling was applied to improve prediction accuracy in some classification tasks in medical diagnosis. (original abstract)

Metoda wiązania modeli (bundling) została zaproponowana przez Hothorna (2003a) jako modyfikacja metody bagging (Breiman 1996). Polega ona na wykorzystaniu dodatkowych modeli, innych klas niż drzewa klasyfikacyjne, budowanych na podstawie zbioru OOB (out-of-bag), zawierającego obserwacje spoza aktualnej próby bootstrapowej. Na podstawie tych modeli dokonuje się predykcji dla obserwacji w próbie bootstrapowej a następnie wyniki predykcji traktuje się jako dodatkowe zmienne objaśniające przy budowie drzewa klasyfikacyjnego (Hothorn 2003a). W referacie przedstawiono wyniki wykorzystania metody wiązania modeli do poprawy dokładności predykcji w wybranych problemach diagnostyki medycznej. (abstrakt oryginalny)

Słowa kluczowe

EN

Medicine; Statistical methods; Classification trees; Research results; Bootstrap

PL

Medycyna; Metody statystyczne; Drzewa klasyfikacyjne; Wyniki badań; Metody samowsporne

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2010
• Tom: 235 Multivariate Statistical Analysis
• Strony: 165--170

Twórcy

autor

Małgorzata Misztal

• University of Lodz, Poland

Bibliografia

• Blake C., Merz C. J. (1998), UCI Repository of Machine Learning Databases, Department of Information and Computer Science, University of California, Irvine, http://ics.uci.edu/~mlearn/MLRepository.html
• Breiman L. (1996), Bagging predictors, Machine Learning 24, 123-140.
• Breiman L. (2001), Random forests, Machine Learning 45, -32.
• Buttrey S. E., Karo C. (2002), Using k-nearest-neighbor classification in the leaves of a tree, Computational Statistics & Data Analysis 40 (2002), 27-37.
• Chan K.-Y., Loh W.-Y. (2004), LOTUS: An Algorithm for Building Accurate and Comprehensible Logistic Regression Trees, Journal of Computational and Graphical Statistics, Vol. 13, Issue 4, 826-852.
• Freund Y., Schapire R.E. (1997), A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences 55, 119-139.
• Hothorn T., Lausen B. (2003), Double-bagging: Combining classifiers by bootstrap aggregation, Pattern Recognition, 36,1303-1309.
• Hothorn T. (2003a), Bundling classifiers with an application to glaucoma diagnosis, Dissertation, Department of Statistics, University of Dortmund, Germany, 2003. http://eldorado.uni-dortmund.de:8080/bitstream/2003/2790/l/hothornunt.pdf
• Hothorn T. (2003b), Bundling Predictors in R, (in:) Proceedings of the 3rd International Workshop on Distributed Statistical Computing (DSC 2003), K. Hornik, F. Leisch, A. Zeileis (eds.) Vienna, Austria.
• Kim H., Loh W.-Y. (2003), Classification Trees with Bivariate Linear Discriminant Node Models, Journal of Computational and Graphical Statistics, 12, 512-530.
• Lim T.-S. (2000), Polytomous Logistic Regression Trees, PhD Thesis, Department of Statistics, University of Wisconsin, Madison.
• Wolpert D. H., Macready W. G. (1997), No Free Lunch Theorems for Optimization, IEEE Transactions on Evolutionary Computation, 1(1), 62-68.

Identyfikatory

DOI

11089/349