31、临床数据统计挖掘中的机器学习算法

临床数据统计挖掘中的机器学习算法

在临床数据统计挖掘领域，多种机器学习算法发挥着重要作用。这些算法可以分为监督学习和无监督学习，下面将详细介绍一些常见的算法。

1. 随机森林相关算法

随机森林是一种强大的集成学习方法，在此基础上还有一些相关的改进和扩展。
- 自适应最近邻算法与加权邻域方案 ：Lin和Jeon（2006）提出了自适应最近邻算法，它和另一种方法都可看作加权邻域方案。
- 无放回子采样替代装袋法 ：Friedman和Hall（2007）建议使用无放回子采样替代装袋法。研究表明，在大小为N/2的样本上拟合树，其性能与装袋法大致相同，使用更小比例的N可以进一步降低方差。
- 极度随机森林 ：Geurts等人（2006）提出的极度随机森林是随机森林方法的扩展。在考虑每个分割的候选者时，它会随机选择输入变量的子集及其可能的分割值。
- 随机森林的其他变体 ：除了传统的随机森林，还有多种变体。例如，Prinzie和Van den Poel（2008）提出用多项逻辑回归和朴素贝叶斯分类器替代决策树作为基学习器；Aridas等人（2016）提出了朴素贝叶斯模型。其他变体还包括多元随机森林（Segal和Xiao 2011）、富集随机森林（Amaratunga等人2008）、分位数回归森林（Meinshausen 2006）和随机生存森林（Ishwaran等人2008）。
- 随机森林软件与R包 ：由Leo Breiman的合作者Adele Cutler维护的随机森林软