Note :
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 3 votes.
Medical Risk Prediction Models: With Ties to Machine Learning
Le livre Medical Risk Prediction Models : With Ties to Machine Learning est un ouvrage pratique destiné aux cliniciens, aux épidémiologistes et aux statisticiens professionnels qui doivent créer ou évaluer un modèle de prédiction statistique basé sur des données. Le sujet du livre est la probabilité individualisée d'un patient de subir un événement médical dans un horizon temporel donné. Gerds et Kattan décrivent les détails mathématiques de la création et de l'évaluation d'un modèle de prédiction statistique d'une manière très pédagogique tout en évitant la notation mathématique. Lisez ce livre si vous ne savez pas si un modèle de régression de Cox prédit mieux qu'une forêt de survie aléatoire.
Caractéristiques :
⬤ Tout ce que vous devez savoir pour créer correctement un calculateur de risque en ligne à partir de zéro.
⬤ Discrimination, calibration et performance prédictive avec des données censurées et des risques concurrents.
⬤ Le code R et des exemples illustratifs.
⬤ Interprétation des performances de prédiction à l'aide de points de repère.
⬤ Comparaison et combinaison de stratégies de modélisation concurrentes par validation croisée.
Thomas A. Gerds est professeur à l'unité de biostatistique de l'université de Copenhague et est affilié à la Fondation danoise du cœur. Il est l'auteur de plusieurs paquets R sur CRAN et a donné des cours de statistiques à des non-statisticiens pendant de nombreuses années.
Michael W. Kattan est un auteur très cité et le président du département des sciences quantitatives de la santé à la Cleveland Clinic. Il est membre de l'American Statistical Association et a reçu deux prix de la Society for Medical Decision Making : le prix Eugene L. Saenger pour service distingué et le prix John M. Eisenberg pour l'application pratique de la recherche sur la prise de décision médicale.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)