典型文献
基于组选择的近似无偏稀疏脑功能超网络模型构建与分类研究
文献摘要：
针对LASSO方法构建脑功能超网络模型缺乏组效应解释能力和网络有偏性问题,提出了两种基于组变量选择的近似无偏稀疏脑功能超网络模型来改善超网络的构建,分别为组最小最大凹惩罚方法和组平滑剪裁的绝对值偏差方法,并将其分别应用于抑郁症的分类研究中.分类结果显示,两种方法的分类表现均优于传统超网络模型,且组最小最大凹惩罚方法的分类准确率最高,达到86.36％.结果表明若想构建有效的脑功能超网络模型,不仅需要考虑脑区间组效应的解释能力,还需考虑模型变量选择的有偏性问题.而且在考虑到超网络有偏性的基础上,选取较为宽松的惩罚方式来选取目标变量,则可更精确地表征人脑的复杂高阶多元交互信息.
文献关键词：
近似无偏稀疏模型;超网络;组最小最大凹惩罚;组平滑剪裁的绝对值偏差;机器学习
中图分类号：
作者姓名：
李瑶;周子淏;梁家瑞;Ibegbu Nnamdi Julian;郭浩;陈俊杰
作者机构：
太原理工大学信息与计算机学院,山西 晋中030600;太原理工大学数学学院,山西 晋中030600;太原理工大学软件学院,山西 晋中030600
文献出处：
引用格式：
[1]李瑶;周子淏;梁家瑞;Ibegbu Nnamdi Julian;郭浩;陈俊杰-.基于组选择的近似无偏稀疏脑功能超网络模型构建与分类研究)[J].计算机应用研究,2022(03):744-750
A类：
脑功能超网络,组最小最大凹惩罚,组平滑剪裁的绝对值偏差,近似无偏稀疏模型
B类：
超网络模型,分类研究,LASSO,组变量,变量选择,惩罚方法,抑郁症,分类表,分类准确率,若想,脑区,宽松,人脑,多元交互,交互信息
AB值：
0.174529
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
