Elastic Net罰則によるルール・アンサンブル法とその応用

DOI Web Site 被引用文献3件 参考文献30件

書誌事項

タイトル別名
  • Modified Rule Ensemble Method and its Application for Bioceutical Data
  • Elastic Net バッソク ニ ヨル ルール アンサンブルホウ ト ソノ オウヨウ

この論文をさがす

抄録

アンサンブル学習法は，樹木モデル(基本学習器)の予測確度を向上させる方法として，統計科学およびデータマイニングの分野で研究されている．アンサンブル学習のモデルは，単一の基本学習器に比べて，劇的にその性能を向上させるものの，モデルを「ブラック・ボックス化」するため，結果に対する解釈は困難である．Friedman and Popescu(2008)は，樹木によって構成される「ルール」をアンサンブルさせる，ルール・アンサンブル法(RuleFit法)を提案している．RuleFit法は，応答に影響を与える基本学習器(ルール)を提示できる．そのため，変数重要度だけでなく，ルール(基本学習器)の重要度を提示できる．RuleFit法では，基本学習器に対して，lasso法による重みを加えることで，不必要な基本学習器を削除する「刈り込み」を有する．ただし，lasso法では，説明変数間の相関が強いときに，過剰刈り込みを行うことが線形モデルにおいて指摘されており(Hastie et al., 2009)，RuleFit法においても同様の問題が推察される．その対処法として，本論文では，Elastic Net法(Zou and Hastie, 2005)を基本学習器の重み付けに用いる，修正RuleFit法を提案した．さらに，ルール重要度およびルール重要度をグラフィカルに表示するためのグラフィクスを提示した．修正RuleFit法の性能は，若干の数値検証により確認した．その結果，修正RuleFit法は，既存の手法(MART[Multiple Additive Regression Trees])法(Friedman, 1999; 2001)，RandomForest法(Breiman, 2001)に比して良好な結果を示した．また，修正RuleFit法および診断グラフィクスの有用性は，臨床研究に対する文献事例において評価した．そこでは，前立腺癌のバイオマーカに対して影響を与える要因の探索に焦点を当てた．その結果，修正RuleFit法および診断グラフィクスは，ポジティブ・レスポンダー(およびネガティブ・レスポンダー)に対して，有用な示唆を与えることができた．

収録刊行物

被引用文献 (3)*注記

もっと見る

参考文献 (30)*注記

もっと見る

キーワード

詳細情報 詳細情報について

問題の指摘

ページトップへ