基于样本的同时预测区间估计方法。
spie的Python项目详细描述
spie
该算法实现了几种基于采样的同时预测区间估计（spie）方法。 同时预测区间（spi）是一组区间的集合，在给定观测信息的情况下，以规定的概率，未来观测值位于{em1}$every区间内。本文在{em1}$患者特定生存曲线同步预测区间的背景下，对该存储库中的方法进行了检查，但适用于任何可能抽样兴趣分布的情况。下面的图像显示了分别对合成生存数据和合成时间序列数据通过每种方法估计的spi（间隔之间的线性插值）的示例。
安装
这个包托管在pypi上。用pip install spie安装。
方法简介
TLDR：最佳的方法取决于分布、样本大小、尺寸和有效性分割。
综合生存分析数据的表现。
对合成时间序列数据的性能。
生成的图具有10000个维度10的点和GSPIE的50/50验证分割。
奥尔申方法
olshen的方法是可靠准确的，并产生了相当紧密的spi。
本文介绍了olshen的步态分析方法和bootstrap估计正常儿童步态的spi。用olshen方法估计的spi以它们各自的平均值为中心，宽度与它们各自的样本标准差成比例。bootstrapping用于确定比例常数。
双侧olshen法
双侧olshen方法与olshen方法的精确度相当，通常产生的spi至少与olshen方法产生的spi一样紧密。
双侧olshen方法是对olshen方法的一个小的改进，该方法是在本文中介绍的患者特定生存曲线的同时预测区间。在较高的层次上，双边olshen方法与olshen方法的不同之处在于它不受对称区间的约束。
贪婪同时预测区间估计（gspie）
gspie通常不如olshen的方法准确，但在某些情况下达到了相当的准确度。在某些分布上，gspie比其他方法产生更紧密的spi。
本文还介绍了gspie对特定患者生存曲线的同步预测区间。gspie与olshen方法的显著不同之处在于，它通过对同时间隔的景观进行直接优化来工作。它以包含所有观测值的间隔开始，并以贪婪的方式减小其宽度，使用验证集作为停止条件。gspie比olshen的方法需要更多的计算，并且依赖于验证拆分的智能选择。
点态Bonferroni
给定足够的样本，使得ogive的分位数不会严重过拟合为逐点间隔，bonferoni将产生保守的spi，其通常（尽管并不总是）比其他方法松散。
点态Bonferroni是一个基线，它通过带Bonferroni校正的Ogive（线性插值的经验分布）的分位数来估计点态预测区间。Bonferroni校正是一种将逐点间隔合并为同时间隔的方法，其方式保证精确或保守。实际上，它常常在太保守了。
相关参考文献
Prediction Intervals:
https://en.wikipedia.org/wiki/Prediction_interval
Olshen's method:
@article{olshen1989,
author = {Olshen, Richard A. and Biden, Edmund N. and Wyatt, Marilynn P. and Sutherland, David H.},
doi = {10.1214/aos/1176347372},
fjournal = {The Annals of Statistics},
journal = {Ann. Statist.},
month = {12},
number = {4},
pages = {1419--1440},
publisher = {The Institute of Mathematical Statistics},
title = {Gait Analysis and the Bootstrap},
url = {https://doi.org/10.1214/aos/1176347372},
volume = {17},
year = {1989}
}
Two-sided Olshen's method and GSPIE:
@misc{sokota2019simultaneous,
title = {Simultaneous Prediction Intervals for Patient-Specific Survival Curves},
author = {Samuel Sokota and Ryan D'Orazio and Khurram Javed and Humza Haider and Russell Greiner},
year = {2019},
eprint = {1906.10780},
archivePrefix = {arXiv},
primaryClass = {cs.LG}
}
Bonferroni Correction:
https://en.wikipedia.org/wiki/Bonferroni_correction
欢迎加入QQ群-->： 979659372
