English(EN) Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values

新的RuleSHAP框架增强了流行病学数据的机器学习推理能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-11 04:00

研究人员开发了一个名为RuleSHAP的新框架，以改进流行病学中机器学习模型的统计推理。该框架整合了贝叶斯回归、树集成和Shapley值，为特征效应提供不确定性量化，这在当前的机器学习应用中常常缺失。RuleSHAP可以检测非线性和交互效应，提供个体层面的不确定性估计，并已在模拟数据和流行病学队列研究中得到验证，用于识别与高胆固醇和血压相关的效应。 AI

影响增强了机器学习模型在发现健康风险因素和改进流行病学研究方面的可靠性。

排序理由该集群包含一篇学术论文，详细介绍了用于流行病学机器学习的新统计框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Giorgio Spadaccini, Marjolein Fokkema, Mark A. van de Wiel · 2026-06-11 04:00

Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values

arXiv:2505.00571v3 Announce Type: replace Abstract: Machine Learning (ML) is gaining popularity in epidemiology and healthcare studies for hypothesis-free discovery of risk and protective factors. ML is strong at discovering nonlinearities and interactions, but this power is comp…

报道来源 [1]

Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values

相关实体

相关话题