NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
K-anlamlı algoritma, pratikte anlaşılması ve konuşlandırılması nispeten hızlı olduğu için mevcut kullanımda en popüler kümeleme algoritmalarından biridir. Bununla birlikte, kullanımı, gösterdiğimiz gibi olumsuz sonuçları her zaman hemen belirgin olmayan verilerle ilgili bazı kısıtlayıcı varsayımları gerektirir. Daha esnek algoritmalar geliştirilirken, yaygın kullanımları hesaplamalı ve teknik karmaşıklıkları nedeniyle engellenmiştir. Bu düşüncelerden hareketle, neredeyse hızlı ve basit kalırken, varsayımların çoğunu rahatlatan K-anlamlarına esnek bir alternatif sunuyoruz. MAP-DP (maksimum a-posteriori Dirichlet proses karışımları) dediğimiz bu yeni algoritma, parametrik olmayan Bayesian Dirichlet proses karışımı modellemesine dayandığı için istatistiksel olarak titizdir. Bu yaklaşım, K-means'ın getirdiği sınırlamaların çoğunu aşmamızı sağlar. K kümelerinin sayısı, K-anlamında olduğu gibi a-priori sabitlenmek yerine verilerden tahmin edilmektedir. Buna ek olarak, K-anlamları sürekli verilerle sınırlı olmakla birlikte, MAP-DP çerçevesi, ikili, sayım veya ordinal veriler gibi birçok veri türüne uygulanabilir. Ayrıca, aykırıları verilerden verimli bir şekilde ayırabilir. Bu ek esneklik, birçok pratik problem için tipik olarak saniye sırasına göre elde edilen MAP-DP yakınsaması ile K-anlamlarına kıyasla önemli bir hesaplama yükü oluşturmaz. Son olarak, K-anlamlarının aksine, algoritma altta yatan bir istatistiksel modele dayandığından, MAP-DP çerçevesi eksik verilerle başa çıkabilir ve çapraz doğrulama gibi model testlerini prensipli bir şekilde mümkün kılar. Bu algoritmanın, parkinsonizm olarak bilinen bir hastalık kümesinde klinik alt-tiplemenin sağlık bilişim problemi üzerindeki basitliğini ve etkinliğini gösteriyoruz.
Özgün kaynak özetini okuyun
The K-means algorithm is one of the most popular clustering algorithms in current use as it is relatively fast yet simple to understand and deploy in practice. Nevertheless, its use entails certain restrictive assumptions about the data, the negative consequences of which are not always immediately apparent, as we demonstrate. While more flexible algorithms have been developed, their widespread use has been hindered by their computational and technical complexity. Motivated by these considerations, we present a flexible alternative to K-means that relaxes most of the assumptions, whilst remaining almost as fast and simple. This novel algorithm which we call MAP-DP (maximum a-posteriori Dirichlet process mixtures), is statistically rigorous as it is based on nonparametric Bayesian Dirichlet process mixture modeling. This approach allows us to overcome most of the limitations imposed by K-means. The number of clusters K is estimated from the data instead of being fixed a-priori as in K-means. In addition, while K-means is restricted to continuous data, the MAP-DP framework can be applied to many kinds of data, for example, binary, count or ordinal data. Also, it can efficiently separate outliers from the data. This additional flexibility does not incur a significant computational overhead compared to K-means with MAP-DP convergence typically achieved in the order of seconds for many practical problems. Finally, in contrast to K-means, since the algorithm is based on an underlying statistical model, the MAP-DP framework can deal with missing data and enables model testing such as cross validation in a principled way. We demonstrate the simplicity and effectiveness of this algorithm on the health informatics problem of clinical sub-typing in a cluster of diseases known as parkinsonism.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.