Die Standardisierung mit zlog-Werten verbessert die explorative Datenanalyse und maschinelles Lernen für Labor Daten

Zusammenfassung Zweck Im Kontext der explorativen Datenanalyse und des maschinellen Lernens ist die Standardisierung von Laborergebnissen ein wichtiger Vorverarbeitungsschritt. Variable Anteile pathologischer Ergebnisse in Routinedatensätzen führen zu Veränderungen des Mittelwerts (µ) und der Standardabweichung (σ) und verursachen somit Probleme bei der klassischen z-Score-Transformation. Daher untersucht diese Studie, ob die zlog-Transformation diese Nachteile kompensiert und die Ergebnisse aus medizinischer Sicht aussagekräftiger macht. Methoden Die hier präsentierten Ergebnisse wurden mit der statistischen Softwareumgebung R erzielt, und der zugrunde liegende Datensatz wurde aus dem UC Irvine Machine Learning Repository gewonnen. Wir vergleichen die Unterschiede der zlog- und z-Score-Transformation für fünf verschiedene Methoden zur Dimensionsreduktion, hierarchisches Clustering und vier überwachte Klassifikationsmethoden. Ergebnisse Mit der zlog-Transformation erzielen wir in dieser Studie bessere Ergebnisse als mit der z-Score-Transformation für Methoden zur Dimensionsreduktion, Clustering und Klassifikation. Durch die Kompensation der Nachteile der z-Score-Transformation ermöglicht die zlog-Transformation aussagekräftigere medizinische Schlussfolgerungen. Fazit Wir empfehlen die Verwendung der zlog-Transformation von Laborergebnissen zur Vorverarbeitung, wenn Techniken der explorativen Datenanalyse und des maschinellen Lernens angewendet werden.