Tuning paramater selection in penalized logistic regression with application in cancer

Basit Öğe Kaydı
dc.authorid0000-0003-1539-8763en_US
dc.contributor.authorAl-Khateeb, Sahar Fadhil
dc.date.accessioned2020-08-18T11:52:08Z
dc.date.available2020-08-18T11:52:08Z
dc.date.issued2019en_US
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalıen_US
dc.description.abstractVariable selection is an important subject in regression analysis intended to select the best subset of predictors. In cancer classification, gene selection plays an important issue. The Least Absolute Shrinkage and Selection Operator (LASSO) is one of most used penalized method. In logistic regression, Lasso right the traditional parameter estimation method, maximum log-likelihood, by adding the L1-norm of the parameters to the negative log-likelihood function. Lasso depends on the tuning parameter. Finding the optimal value for the tuning parameter is one of the most important topics. There are three popular methods to select the optimal value of the tuning parameter: Bayesian Information Criterion (BIC), Akaike Information Criterion (AIC), and Cross-Validation (CV). The aim of this paper is to evaluate and compare these three methods for selecting the optimal value of tuning parameter in terms of coefficients estimation accuracy and variable selection through simulation studies and application in cancer classification.en_US
dc.description.abstractDeğişken seçim, regresyon analizinde en iyi öngösterge alt kümesini seçmeyi amaçlayan önemli bir konudur. Kanser sınıflamasında gen seçimi önemli bir konudur. En az mutlak büzülme ve seçme operatörü (Lasso) en çok kullanılan ceza yöntemlerinden biridir. Lojistik regresyonda Lasso, parametrelerin L1-normunu negatif log-olabilirlik fonksiyonuna ekleyerek, geleneksel parametre tahmin yöntemini, maksimum log olasılığını değiştirir. Kement ayarlama parametresine bağlıdır. Ayar parametresi için en uygun değeri bulmak en önemli konulardan biridir. Ayar parametresinin en uygun değerini seçmek için üç popüler yöntem vardır: Bayesian bilgi kriteri (BIC), Akaike bilgi kriteri (AIC) ve çapraz doğrulama (CV). Bu çalışmanın amacı, simülasyon çalışmaları ve kanser sınıflandırma uygulamalarında katsayılar tahmin doğruluğu ve değişken seçimi açısından en uygun ayarlama parametresini seçmek için bu üç yöntemi değerlendirmek ve karşılaştırmaktır.en_US
dc.identifier.endpage22en_US
dc.identifier.issue36en_US
dc.identifier.startpage11en_US
dc.identifier.urihttps://hdl.handle.net/11467/3417
dc.identifier.volume18en_US
dc.language.isoenen_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.ispartofİstanbul Ticaret Üniversitesi Fen Bilimleri Dergisien_US
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergi - İdari Personel ve Öğrencien_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectCancer classificationen_US
dc.subjectgene selectionen_US
dc.subjectLassoen_US
dc.subjectpenalized logistic regressionen_US
dc.subjectCezalandırılmış lojistik regresyonen_US
dc.subjectgen seçimien_US
dc.subjectkanser sınıflandırmasıen_US
dc.subjectLassoen_US
dc.titleTuning paramater selection in penalized logistic regression with application in canceren_US
dc.title.alternativeKanser sınıflandırılmasında uygulamaya sahip cezalandırılmış lojistik regresyonunda parametre seçiminin ayarlanmasıen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
11-22.pdf
Boyut:
1 MB
Biçim:
Adobe Portable Document Format
Açıklama:
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.56 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

İTÜFBD, Cilt 18, Sayı 36, Makale Koleksiyonu
Fen Bilimleri Enstitüsü Diğer Yayınlar Koleksiyonu