タグ付けされた質問 「sensitivity-analysis」

誰かが2つのステートメント（a）と（b）をリンクする数学的論理を明確に説明してもらえますか？値のセット（分布）があります。さて、 a）中央値はすべての値に依存するわけではありません[1つまたは2つの中間値に依存するだけです]。b）中央値は、そこからの絶対偏差の最小値の軌跡です。 同様に、対照的に、 a）（算術）平均はすべての値に依存します。b）平均は、それからの最小二乗偏差の軌跡です。 私の把握はこれまでのところ直感的です。

18 mean  median  robust  sensitivity-analysis 

既に回答された質問（1層フィードフォワードネットワークからの重みの重要性の抽出）に続いて、ニューラルネットワークの入力の関連性に関する推論を探しています。 対象の出力ノードからレイヤーを逆方向にたどって入力の重要度を再構築するのが難しいか時間がかかる深いネットを考えると、ニューラルネットワークの感度分析を実行する際に、基本的にわずかに変化する理論的な枠組みがあるのではないかと思いました入力し、対象のouptutノードがどのように変化するかを検討します。 ニューラルネットワークで何らかの感度分析を実行する標準的な方法はありますか？ もしあれば、Pythonコードを歓迎します。

14 neural-networks  python  feature-selection  sensitivity-analysis 

ROC曲線の最適なカットポイント（感度と特異性が最大になる値）を計算する方法を理解しようとしています。aSAHパッケージのデータセットを使用していますpROC。 outcome変数は、2つの独立変数によって説明することができますs100bとndka。Epiパッケージの構文を使用して、2つのモデルを作成しました。 library(pROC) library(Epi) ROC(form=outcome~s100b, data=aSAH) ROC(form=outcome~ndka, data=aSAH) 出力は、次の2つのグラフに示されています。 最初のグラフ（s100b）では、関数は、最適なカットポイントがに対応する値に局在していることを示していlr.eta=0.304ます。2番目のグラフ（ndka）では、最適なカットポイントがlr.eta=0.335（の意味はlr.eta）に対応する値にローカライズされています。私の最初の質問は： 何対応するs100bとndkaの値lr.etaの値が示されている（の点で最適なカットポイントは何であるs100bとはndka）？ 第二の質問： 次に、両方の変数を考慮してモデルを作成するとします。 ROC(form=outcome~ndka+s100b, data=aSAH) 得られるグラフは次のとおりです。 関数によって感性と特異性が最大化されるndkaAND の値を知りたいですs100b。他の面では：の値が何であるかndka及びs100bその時、我々がse = 68.3パーセントとSP値76.4パーセント（グラフから得られた値）を有しますか？ この2番目の質問はmultiROC分析に関連していると思いますが、Epiパッケージのドキュメントには、モデルで使用される両方の変数の最適なカットポイントを計算する方法が説明されていません。 私の質問は、簡単に言うとreasearchGateからのこの質問と非常によく似ています。 メジャーの感度と特異性の間のより良いトレードオフを表すカットオフスコアの決定は簡単です。ただし、多変量ROC曲線分析については、ほとんどの研究者がAUCの観点からいくつかのインジケーター（変数）の線形結合の全体的な精度を決定するアルゴリズムに注目していることに注目しました。[...] ただし、これらの方法では、最高の診断精度を提供する複数のインジケーターに関連付けられたカットオフスコアの組み合わせを決定する方法については言及していません。 可能な解決策は、Shultzの論文で提案されたものですが、この記事からは、多変量ROC曲線の最適なカットポイントを計算する方法を理解できません。 Epiパッケージからの解決策は理想的ではないかもしれないので、他の有用なリンクを歓迎します。

14 r  roc  sensitivity-analysis  sensitivity-specificity 

複数の結果を持ついくつかの記事を含むマルチレベルのメタ分析を行っています。そのため、rma.mv()関数を使用しています。コード例： test.main = rma.mv(yi,vi,random = ~1|ID, data = data) 2つの質問があります。 私は以前に読んクエリ使用している場合があることrma.mv()、ranktest()ファンネルプロットの非対称性の信頼性テストではありません。ただし、サンプル分散がモデレーターとして元のモデルに追加された場合、このモデルはエッガーの検定に似ています。 test.egger = rma.mv(yi,vi, mod = vi, random = ~1|ID, data = data) このコードはそのガイダンスの正しい解釈ですか？また、ファンネルプロットも（多かれ少なかれ）rma.mv()モデルのツールとして役に立たないのですか？ また、モデルの結果の感度を評価するためにleave1out()もtrimfill()機能しませんrma.mv()。rma.mv()Rの熟練した理解を必要としないモデルで現在利用可能な他の感度分析ツールはありますか？

9 meta-analysis  sensitivity-analysis  publication-bias  funnel-plot 

単純な回帰モデルがあります（y = param1 * x1 + param2 * x2）。モデルをデータに適合させると、2つの優れたソリューションが見つかります。 ソリューションA、params =（2,7）は、RMSE = 2.5のトレーニングセットで最適です だが！ソリューションB params =（24,20）は、交差検証を行うと、検証セットで大きな成果を上げます。 私はこれが原因だと思います： ソリューションAは悪いソリューションに囲まれています。したがって、ソリューションAを使用する場合、モデルはデータの変動に対してより敏感になります。 ソリューションBはOKソリューションで囲まれているため、データの変更に対する感度が低くなります。 これは私が考案したばかりの新しい理論ですか、良い隣人とのソリューションはあまり適合していませんか？:)） ソリューションAよりもソリューションBを優先するのに役立つ一般的な最適化方法はありますか？ 助けて！

9 regression  cross-validation  overfitting  sensitivity-analysis 

感度分析とモデル検証（ここでは線形回帰検証のみ）の両方のウィキペディアページを読みましたが、これら2つの用語を分離する方法を見つけることができませんでした。 一つ目は学界や工学系で、二つ目は「データサイエンス」で使われている印象です。 私が目にする1つのオプションは、これらの用語の説明のレベルを変更することです。感度分析は、メソッドの高レベルの分岐を設計するための一般的な用語に似ており、モデルの検証はより具体的で、感度分析に含めることができます。 何か考えは？ 私は、これら2つの概念の類似点よりも相違点に関心があります。

9 validation  sensitivity-analysis