Key points are not available for this paper at this time.
Die minimale Tiefe eines maximalen Teilbaums ist ein dimensionsloser Ordnungsstatistik, die die Vorhersagekraft einer Variablen in einem Überlebensbaum misst. Wir leiten die Verteilung der minimalen Tiefe ab und nutzen sie für die hochdimensionale Variablenauswahl unter Verwendung von zufälligen Überlebenswäldern. Bei Problemen mit großem p und kleinem n (wobei p die Dimension und n die Stichprobengröße ist) zeigt die Verteilung der minimalen Tiefe einen "Deckeneffekt", bei dem ein Baum einfach nicht tief genug gewachsen werden kann, um prädiktive Variablen ordnungsgemäß zu identifizieren. Motiviert durch diese Einschränkung entwickeln wir einen neuen regularisierten Algorithmus, genannt RSF-Variablenjagd. Dieser Algorithmus nutzt maximale Teilbäume für eine effektive Variablenauswahl unter solchen Szenarien. Mehrere Anwendungen werden präsentiert, die die Methodik demonstrieren, einschließlich des Problems der Gen-Auswahl unter Verwendung von Mikrodaten. In dieser Arbeit konzentrieren wir uns nur auf Überlebenseinstellungen, obwohl unsere Methodik auch auf andere Anwendungen zufälliger Wälder zutrifft, einschließlich Regression und Klassifikation. Alle hier präsentierten Beispiele verwenden das R-Softwarepaket randomSurvivalForest.
Ishwaran et al. (Mon,) haben diese Frage untersucht.