• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Symposium on Biomedical Imaging >A Metamodel Structure For Regression Analysis: Application To Prediction Of Autism Spectrum Disorder Severity
【24h】

A Metamodel Structure For Regression Analysis: Application To Prediction Of Autism Spectrum Disorder Severity

机译：回归分析的元模型结构：应用于预测自闭症谱系障碍严重程度

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Traditional regression models do not generalize well when learning from small and noisy datasets. Here we propose a novel metamodel structure to improve the regression result. The metamodel is composed of multiple classification base models and a regression model built upon the base models. We test this structure on the prediction of autism spectrum disorder (ASD) severity as measured by the ADOS communication (ADOS_COMM) score from resting-state fMRI data, using a variety of base models. The metamodel outperforms traditional regression models as measured by the Pearson correlation coefficient between true and predicted scores and stability. In addition, we found that the metamodel is more flexible and more generalizable.
机译：在从小和嘈杂的数据集中学习时，传统的回归模型不会概括。 在这里，我们提出了一种新的元模型结构来改善回归结果。 元模型由多个分类基础模型和基于基础模型构建的回归模型组成。 我们在使用各种基础模型的ADOS通信（ADOS_COMM）评分中测量的自闭症谱系障碍（ASD）严重程度的预测来测试这种结构。 Metomodel优于通过真实和预测得分与稳定性之间的Pearson相关系数测量的传统回归模型。 此外，我们发现元模型更加灵活，更广泛。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号