Laboratoire : HeuDiaSyC UMR CNRS 6599.
Responsable de l'exécution : Marta Avalos, sous la direction de Yves Grandvalet et Christophe Ambroise.
La régression logistique additive est la méthode utilisée. Celle-ci est une généralisation de la régression logistique standard qui consiste à remplacer les termes linéaires (des variables continues) par des fonctions unidimensionnelles non paramétriques. Les variables binaires restent dans le modèle de façon linéaire. Ainsi les dépendances entre la variable réponse et les variables explicatives sont estimées de façon flexible et interprétable. Les splines cubiques de régression ont été utilisées pour estimer les fonctions unidimensionnelles (non linéaires) et l'algorithme itératif backfitting a été appliqué à l'estimation du modèle. Aussi, une sélection des variables significatives a été appliquée.
Les variables sélectionnées sont :
La variable BL.SBP a été estimée non linéaire.
Le coût appliqué est {1, 20}. Celui-ci n'a pas été intégré dans la méthode mais appliqué aux probabilités estimées pour décider la classe d'appartenance.
Mesures calculées à partir de ce fichier de résultat.
| Classés EVENT | Classés NO EVENT | |
|---|---|---|
| Exemples EVENT | 71.00 | 36.00 |
| Exemples NO EVENT | 714.00 | 1409.00 |
| Mesures | Scores obtenus | Rangs observés |
|---|---|---|
| Sensibilité | 66.36 % | - |
| Spécificité | 66.37 % | - |
| Indice de Youden | 32.72 | 1 / 8 |
| Précision | 9.04 % | - |
| F-mesure | 15.92 % | 1 / 8 |
| Méthodes | Proximités |
|---|---|
| Framingham | 77.31 % |
| Foret-Floue-stricte | 71.21 % |
| Foret-Floue-T-norme | 69.73 % |
| Pocock | 69.69 % |
| GloBoost | 66.93 % |
| C4.5 | 64.80 % |
| Balanced-bagging | 59.00 % |