Resumen

Como herramienta fundamental para construir modelos interpretativos, la selección de variables desempeña un papel cada vez más importante en el análisis de datos de alta dimensión. En los últimos años, los conjuntos de selección de variables (VSE) han ganado mucho interés debido a sus numerosas ventajas. La selección de estabilidad (Meinshausen y Bühlmann, 2010), una técnica de VSE basada en el submuestreo en combinación con un algoritmo base como el lazo, es un método eficaz para controlar la tasa de falsos descubrimientos (FDR) y mejorar la precisión de la selección en los modelos de regresión lineal. Adoptando el lasso como aprendiz de base, intentamos extender la selección de estabilidad para manejar los problemas de selección de variables en un modelo de Cox. De acuerdo con nuestra experiencia, es crucial establecer la región de regularización Λ en lasso y el parámetro λmin adecuadamente para que la selección de estabilidad pueda funcionar bien. Sin embargo, hasta donde sabemos, no hay literatura que aborde este problema de forma explícita. Por lo tanto, primero proporcionamos un procedimiento detallado para especificar Λ y λmin. A continuación, se utilizan algunos datos simulados y del mundo real con varias tasas de censura para examinar el rendimiento de la selección de la estabilidad. También se compara con otros enfoques de selección de variables. Los resultados experimentales demuestran que logra un rendimiento mejor o competitivo en comparación con varias otras técnicas populares.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:selección de la estabilidad, problema de selección de variables, tasa de censura variada, lasso, modelo de regresión lineal, enfoque de selección de variables, ganado mucho interés, tasa de falso descubrimiento, conjunto de selección de variables, análisis de datos dimensionales
• Keywords:stability selection, variable selection problem, various censoring rate, lasso, linear regression model, variable selection approach, gained much interest, false discovery rate, variable selection ensemble, dimensional data analysis