Kernel Ridge Regression in Clinical Research

IBM (ماشین‌های تجاری بین‌المللی) در به‌روزرسانی نرم‌افزار آماری SPSS خود در سال 2022 یک روش رگرسیون جدید بسیار مهم با عنوان رگرسیون ریج هسته (KRR) منتشر کرده است. این گسترش روش های رگرسیون موجود در حال حاضر است و برای تشخیص الگو در داده های با ابعاد بالا مناسب است، به ویژه زمانی که روش های جایگزین شکست می خورند. مزایای نظری آن بسیار است و شامل

• < است. span>ترفند هسته برای کاهش پیچیدگی حسابی،
• تخمین عدم قطعیت توسط گاوسی ها بر خلاف هیستوگرام،
• افزایش داده‌ها توسط منظم‌سازی ریج تصحیح شد،
• در دسترس بودن ۸ مدل تراکم هسته جایگزین برای داده‌ها. span>

مجموعه بسیار هیجان انگیز و گسترده ای از تحقیقات مقدماتی KRR توسط رشته های اصلی (مانند مطالعات مکانیک کوانتومی) منتشر شده است. و فیزیک هسته‌ای، مطالعات میل مولکولی / دینامیک، مطالعات انرژی اتمی‌سازی، اما همچنین مطالعات اقتصادی پیش‌بینی، مطالعات اینترنت اشیا (اینترنت اشیا) برای شبکه‌های الکترونیکی، مطالعات پاسخ استرس گیاه، مطالعات جریان داده‌های بزرگ و غیره). در مقابل، عملاً در تحقیقات بالینی استفاده نمی شود. این ویرایش اولین کتاب درسی و آموزش رگرسیون هسته‌ای برای دانشجویان پزشکی و مراقبت‌های بهداشتی و همچنین میز یادآوری/به‌روزرسانی و میز کمک برای متخصصان است. هر فصل را می توان به عنوان یک مستقل مطالعه کرد و با استفاده از داده های واقعی و فرضی، عملکرد روش شناسی جدید را در برابر تحلیل های رگرسیون سنتی آزمایش کرد. تجزیه و تحلیل گام به گام بیش از 20 فایل داده ذخیره شده در فایل های تکمیلی در Springer Interlink برای خود ارزیابی گنجانده شده است. باید اضافه کنیم که نویسندگان در رشته خود دارای صلاحیت خوبی هستند. پروفسور زویندرمن رئیس سابق انجمن بین المللی آمار زیستی (2012-2015) و پروفسور کلئوفاس رئیس قبلی کالج آنژیولوژی آمریکا (2000-2002) بوده است. آنها باید از طریق تخصص خود بتوانند انتخاب های کافی از روش های مدرن KRR را به نفع پزشکان، دانشجویان و محققین انجام دهند. نویسندگان 24 سال است که با هم کار می کنند و منتشر می کنند و تحقیقات آنها را می توان به عنوان تلاشی مستمر برای نشان دادن اینکه تجزیه و تحلیل داده های بالینی ریاضیات نیست، بلکه یک رشته در رابط زیست شناسی و ریاضیات توصیف کرد.

IBM (international business machines) has published in its SPSS statistical software 2022 update a very important novel regression method entitled Kernel Ridge Regression (KRR). It is an extension of the currently available regression methods, and is suitable for pattern recognition in high dimensional data, particularly, when alternative methods fail. Its theoretical advantages are plenty and include the

• kernel trick for reduced arithmetic complexity,
• estimation of uncertainty by Gaussians unlike histograms,
• corrected data-overfit by ridge regularization,
• availability of 8 alternative kernel density models for datafit.

A very exciting and wide array of preliminary KRR research has already been published by major disciplines (like studies in quantum mechanics and nuclear physics, studies of molecular affinity / dynamics, atomisation energy studies, but also forecasting economics studies, IoT (internet of things) studies for e-networks, plant stress response studies, big data streaming studies, etc). In contrast, it is virtually unused in clinical research. This edition is the first textbook and tutorial of kernel ridge regressions for medical and healthcare students as well as recollection / update bench, and help desk for professionals. Each chapter can be studied as a standalone, and, using, real as well as hypothesized data, it tests the performance of the novel methodology against traditional regression analyses. Step by step analyses of over 20 data files stored at Supplementary Files at Springer Interlink are included for self-assessment. We should add that the authors are well qualified in their field. Professor Zwinderman is past-president of the International Society of Biostatistics (2012-2015) and Professor Cleophas is past-president of the American College of Angiology (2000-2002). From their expertise they should be able to make adequate selections of modern KRR methods for the benefit of physicians, students, and investigators. The authors have been working and publishing together for 24 years and their research can be characterized as a continued effort to demonstrate that clinical data analysis is not mathematics but rather a discipline at the interface of biology and mathematics.