পদ্ধতির তুলনা করুন
নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।
| অ্যাডাপ্টিভ কক্স প্রোপোরশনাল হ্যাজার্ডস× | ল্যাসো রিগ্রেশন× | |
|---|---|---|
| ক্ষেত্র≠ | মহামারীবিদ্যা | যন্ত্র শিখন |
| পরিবার≠ | Process / pipeline | Machine learning |
| উদ্ভবের বছর≠ | 2007 (adaptive LASSO variant); base Cox model 1972 | 1996 |
| প্রবর্তক≠ | Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox | Tibshirani, R. |
| ধরন≠ | Penalized semi-parametric survival regression | Regularized linear regression (L1 penalty) |
| মৌলিক উৎস≠ | Zhang, H. H., & Lu, W. (2007). Adaptive Lasso for Cox's proportional hazards model. Biometrika, 94(3), 691–703. DOI ↗ | Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. DOI ↗ |
| অপর নাম | adaptive Cox model, adaptive LASSO Cox regression, penalized Cox proportional hazards, adaptive regularized survival regression | LASSO Regresyonu, lasso, L1-regularized regression, L1 regularization |
| সম্পর্কিত≠ | 5 | 4 |
| সারসংক্ষেপ≠ | The Adaptive Cox Proportional Hazards model extends the classic Cox regression for time-to-event outcomes by adding adaptive LASSO (or related) penalization. It simultaneously estimates hazard ratios and performs variable selection, shrinking irrelevant covariate coefficients exactly to zero. This makes it especially valuable in high-dimensional clinical or genomic datasets where the number of candidate predictors is large relative to the number of events. | Lasso regression, introduced by Robert Tibshirani in 1996, is a linear regression method that adds an L1 penalty to the loss so that it shrinks coefficients and performs variable selection at the same time, producing a sparse model. By driving some coefficients exactly to zero it keeps only the predictors that matter. |
| ScholarGateডেটাসেট ↗ |
|
|