Verfahren der Variablenselektion bei Algorithmen des maschinellen Lernens

Algorithmen des maschinellen Lernens wie neuronale Netze, Support Vector-Maschinen oder Zufallswälder werden verwendet, um anhand einer großen Anzahl von Variablen Beobachtungseinheiten korrekt zu klassifizieren. Sie werden in unseren Projekten zum Beispiel dazu eingesetzt, um anhand von 500.000 genetischen Markern Patienten mit und ohne Herzinfarkt zu unterscheiden. Einige dieser Algorithmen haben den Nachteil, dass sie zwar gut klassifizieren können, aber nicht klar wird, welche der 500.000 Variablen dafür tatsächlich benötigt werden. Daher sollen in dieser Arbeit Verfahren entwickelt werden, mit denen die Wichtigkeit der einzelnen Variablen für die Klassifikation bestimmt werden kann, so dass eine Auswahl der Variablen möglich ist. Die Ergebnisse dieser Arbeit werden direkt in laufenden Projekten eingesetzt.

König IR, Malley JD, Pajevic S, Weimar C, Diener H-C, Ziegler A, on behalf of the German Stroke Study Collaborators (im Druck) Patient-centered yes/no prognosis using learning machines. IntJ Data Mining Bioinf

Schwarz DF, Szymczak S, Ziegler A, König IR (akzeptiert) Picking SNPs in forests. BMC Proceedings

Linder* R, König* IR, Weimar C, Diener HC, Pöppl S, Ziegler A (2006) Two models for outcome prediction: a comparison of logistic regression and neural networks. Methods Inf Med 45: 536-540