摘要
生存分析被广泛应用于医疗、经济、工业、社会科学等领域,生存分析用于研究生存现象和生存时间及其影响因素的统计规律,目前已经有很多传统的统计推断方法在生存分析领域被广泛应用.近年来,随着机器学习算法的快速发展,已有很多算法被引入生存分析领域并在实践中验证了此类算法优越的建模能力和预测性能. 本篇论文的目的是基于生存分析提出一种新的回归算法SurvivalBoost,该算法基于随机生存森林和XGBoost.同时,为了让算法更有效地处理生存数据,本文将弹性网络的惩罚项和Cox比例风险模型引入了XGBoost算法.本文在4个模拟数据集和4个实际生存数据集上,与传统生存分析回归算法Cox比例风险模型、XGBoost算法、CoxBoost算法、随机生存森林和梯度提升树(Gradient Boosting Desicion Tree)算法进行了回归预测性能的比较,验证了本文提出的算法具有较好的预测性能.同时,本文利用了Shapley Additive Explanation values(SHAP值)的方式进行模型特征的解释分析,从而进一步说明了本文提出的算法可以有效地指导生存分析的诊断与实践.
NETL