| 标题 |
 Feature selection leads to divergent neurobiological interpretations ofbrain-based machine learning biomarkers |
| 网址 | |
| DOI | |
| 其它 |
作者首先改造了连接组预测建模（connectome-based predictive modelling, CPM）流程。在每一轮训练集中，他们计算每一条连接与目标表型的皮尔逊相关，把全部边按相关绝对值从高到低排序，再切成十个互不重叠的十分位组。第一十分位组是传统流程里最可能被保留的“最强特征”，第十十分位组则是最低排名特征。随后，每一个十分位组都被单独拿来训练模型，并在对应测试集上评估预测效果。整个流程做了 100 次十折交叉验证，指标包括皮尔逊相关系数、交叉验证决定系数和均方误差，显著性则通过 1,000 次置换检验确定。因为排序、切分和建模都严格限制在训练集中完成，这个设计避免了数据泄漏。这个设计的关键不在于又做了一次特征筛选，而在于把“被丢弃的特征”从模型外面重新拉回比较框架里。不同十分位组之间没有边重叠，所以一旦多个十分位组都能预测同一表型，作者就可以直接比较这些完全不同的特征池到底是不是在讲同一套神经生物学故事。Brendan D. Adkinson G, Matthew Rosenblatt, Huili Sun, Javid Dadashkarimi, Link Tejavibulya, Corey Horien, Margaret L. Westwater, Raimundo X. Rodriguez, Stephanie Noble & Dustin Scheinost Nature Human Behaviour (2026) | Cite this article |
| 求助人 | |
| 下载 | 该求助完结已超 24 小时，文件已从服务器自动删除，无法下载。 |
PDF的下载单位、IP信息已删除
(2025-6-4)
cdercder
Nole
DW
Wells
Kao
无极微光
dde
学术文献互助
挖掘机
aaaa
小乔
XX
秋风
米修
v0id
皓月搞科研
aajhajkahna
Dean
冷木子
Criminology34
皖公网安备34019202002308
