Fridge: focused fine-tuning of ridge regression for personalize predictions
Fridge：面向个体预测的岭回归聚焦调参AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用岭回归调参与个性化医疗预测，未明确进行因果识别，也未涉及所列经济或金融预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Fridge：面向个体预测的岭回归聚焦调参
- 研究问题
- 岭回归能否针对每个待预测个体的协变量选择不同惩罚参数，而非为所有未来预测使用同一个交叉验证参数？
- 方法与思路
- 作者定义最小化特定协变量向量预测均方误差的预言参数，以系数和误差方差的插入估计实现，并扩展至逻辑岭回归。
- 材料陈述的贡献
- 摘要称个体化调参在所考察模拟和真实数据中降低平均预测误差，并给出个体风险与治疗反应应用及 R 包实现。
- 阅读关注点
- 应核对预言目标、插入估计误差、高维情形的交叉验证步骤，以及逻辑回归自助法和个体预测的外部验证。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已经同行评审或期刊接收；摘要未说明改善幅度，治疗反应预测也不等于因果效应识别。
原文摘要
Statistical prediction methods typically require some form of fine-tuning of tuning parameter(s), with $K$-fold cross-validation as the canonical procedure. For ridge regression there exist numerous procedures, but common for all, including cross-validation, is that one single parameter is chosen for all future predictions. We propose instead to calculate a unique tuning parameter for each individual for which we wish to predict an outcome. This generates an individualized prediction by focusing on the vector of covariates of a specific individual. The focused ridge -- fridge -- procedure is introduced with a two-part contribution: 1) first we define an oracle tuning parameter minimizing the mean squared prediction error of a specific covariate vector, 2) then we propose to estimate this tuning parameter by using plug-in estimates of the regression coefficients and error variance parameter. The procedure is extended to logistic ridge regression by utilizing parametric bootstrap. For high-dimensional data, we propose to use ridge regression with cross-validation as the plug-in estimate, and simulations show that fridge gives smaller average prediction error than ridge with cross-validation for both simulated and real data. We illustrate the new concept for both linear and logistic regression models in two applications of personalized medicine: predicting individual risk and treatment response based on gene expression data. The method is implemented in the R package "fridge".