مقایسه روش های درخت محور روی داده های سرطان سینه

کار با داده های سانسورشده نیازمند روش هایی مختص خود است که در تحلیل بقا ابزار آن را در دست داریم،اما امروزه با حضور داده های بزرگ نیاز به مدل های پیچیده تر با دقت بالایی در پیش بینی احساس می شود. در این مقالهسه روش یادگیری ماشین، درخت بقا، درخت بگینگ و جنگل تصادفی را معرفی و روی مجموعه داده سرطان سینهبا روش معمول رگرسیون کاکس آن ها را مقایسه کرده ایم. خواهیم دید که روش های یادگیری ماشین عملکرد gbsgبهتری نسبت به روش کاکس دارند.

comparison of tree-based methods for breast cancer data

data analysis of censored data requires specifically tailored methods and algorithmsprovided in survival analysis. however, nowadays in this field, we are more in need ofcomplex nonlinear predictive models. therefore, here in our study of the tree-based models,we compare the performance of survival trees, bagging, and random survival forests relativeto the standard cox regression. we show that these statistical learning methods outperformthe cox regression method in the gbsg data set.