hrvatski

Učenje Bayesovih mreža iz cenzuriranih podataka o preživljenju

Bayesove mreže kao jedan od oblika predstavljanja znanja i nadziranog strojnog učenja, stekle su veliku popularnost zbog učinkovitog zaključivanja i mogućnosti intuitivnog grafičkog predstavljanja uzročno-posljedičnih veza među kovarijatama. Zbog tih karakteristika često se koriste u sustavima potpore odlučivanju u raznim poljima medicine, no njihova je primjena gotovo u potpunosti zanemarena u analizi preživljenja. Razlog tome leži u potrebi za korištenjem posebnih postupaka rukovanja podacima o preživljenju zbog lošeg utjecaja cenzure. Ova se disertacija bavi problemom učenja Bayesovih mreža iz cenzuriranih podataka o preživljenju. Predstavljeno je više poznatih i jedan novi postupak pripremne obrade takvih podataka za potrebe strojnog učenja. Korišteni modeli su dva poznata algoritma za učenje Bayesovih mreža, model naivnog Bayesovog klasifikatora i regresijski model proporcionalnih hazarda. Provedeno je temeljito testiranje simulacijskom studijom i na nekoliko realnih domena iz područja kliničke medicine. Procjena učinkovitosti postupaka pripremne obrade podataka na modelima izvedena je statističkom usporedbom rezultata testova više standardnih metrika strojnog učenja i metrika analize preživljenja. Pored toga, testirana je i sposobnost ispravnog otkrivanja uzročne strukture algoritama za učenje Bayesovih mreža uz različite postupke pripremne obrade podataka. Rezultati simulacijske studije sugeriraju kako je predložen postupak pripremne obrade podataka odstranjivanjem šuma cenzure, izvrsno rješenje za visokocenzurirane domene.

Bayesova mreža; analiza preživljenja; cenzura; strojno učenje; prognostički model; predstavljanje znanja

nije evidentirano