[论文解读] mlr3proba: Machine Learning Survival Analysis in R.

Raphael Sonabend, Franz J. Király+3 more|arXiv (Cornell University)|Aug 18, 2020

Explainable Artificial Intelligence (XAI)被引用 2

一句话总结

mlr3proba 在 mlr3 生态系统中为机器学习生存分析引入了一个统一、系统的 R 接口，通过一致的性能度量和学习器，实现了最先进的建模、调优和基准测试。它通过将生存建模整合到标准化、可扩展的机器学习工作流中，填补了生存分析工具链中的关键空白。

ABSTRACT

As machine learning has become increasingly popular over the last few decades, so too has the number of machine learning interfaces for implementing these models. However, no consistent interface for evaluation and modelling of survival analysis has emerged despite its vital importance in many fields, including medicine, economics, and engineering. exttt{mlr3proba} is part of the exttt{mlr3} ecosystem of machine learning packages for R and facilitates exttt{mlr3}'s general model tuning and benchmarking by providing a multitude of performance measures and learners for survival analysis with a clean and systematic infrastructure for their evaluation. exttt{mlr3proba} provides a comprehensive machine learning interface for survival analysis, which allows survival modelling to finally be up to the state-of-art.

研究动机与目标

• 解决 R 机器学习生态系统中生存分析缺乏一致、标准化接口的问题。
• 将生存分析集成到 mlr3 框架中，以实现系统化的模型调优和基准测试。
• 提供一个全面、可扩展的基础设施，用于使用标准化性能度量评估和比较生存模型。
• 通过为多样化学习器和评估指标提供清晰、系统化的接口，支持最先进的生存建模。

提出的方法

• 利用 mlr3 框架构建模块化、可扩展的生存分析基础设施。
• 在 mlr3 生态系统中引入专为生存建模设计的学习器和性能度量。
• 通过使用公认的指标（如 concordance index 和 Brier score）标准化生存模型的评估流程。
• 通过与 mlr3 现有的优化和评估流水线集成，实现模型调优和基准测试。
• 通过一致的接口支持广泛的生存模型，促进可重现性和可比性。

实验结果

研究问题

• RQ1 如何在 R 中将生存分析系统性地整合到统一的机器学习框架中？
• RQ2 支持生存模型稳健基准测试所需的性能度量和学习器有哪些？
• RQ3 标准化接口能否提高生存建模工作流的可重现性和可比性？
• RQ4 将生存分析集成到 mlr3 中如何提升模型调优和评估？

主要发现

• mlr3proba 在 R 机器学习生态系统中成功提供了全面、标准化的生存分析接口。
• 该框架通过标准化的性能度量，实现了对生存模型的一致基准测试和调优。
• 它通过统一、可扩展的基础设施支持广泛的生存学习器。
• 集成到 mlr3 中使生存建模能够受益于先进的模型优化和评估工作流。