Sélection de variables à l’aide de forêts aléatoires pour données de survie de grande dimension - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2021

Sélection de variables à l’aide de forêts aléatoires pour données de survie de grande dimension

Résumé

Today, the amount of information gathered at any given moment has increased exponentially with the advancement of science. As the databases available are increasingly large, their analysis can be problematic because not all existing methods are suitable for high-dimensional data. In addition, if we are interested in this type of survival data and we seek to explain which variables are the most predictive or associated with the occurrence of the event, a problem of variable selection arises and to date, few solutions exist to deal with it. The objective of this internship is first of all, to do a review on the existing methods of variable selection for high-dimensional survival data, then to propose an adaptation of a variable selection method with random survival forests and finally, to study its behavior and performance. The method of variable selection VSURF (Variable Selection Using Random Forests) developed by Genuer et al. in 2010 is adapted to high-dimensional survival data using random survival forests (RSF) introduced by Ishwaran et al. in 2008. The study of the behavior of the method is carried out on 4 simulation schemes, the PBC data with and without addition of noise variables and on the actual data on breast cancer. When we optimize the parameters of random forests for the various simulations, we notice that each case is different and that it is therefore important to carry out this step before of the execution of VSURF. For the variable selection, VSURF succeeds in selecting the good variables and few or no noise variables. The VSURF method for high-dimensional survival data is interesting for the variable selection and a method which will be useful, for example, in identifying genes with high prognostic value and predictive power in patients with cancer or other diseases in clinical trials.
Aujourd’hui, la quantité d’informations recueillies à chaque instant a augmenté de manière considérable grâce aux progrès de la science. Les bases de données disponibles étant de plus en plus grandes, leurs analyses peuvent poser problème car les méthodes existantes ne sont pas toutes adaptées aux données de grande dimension. De plus, si on s’intéresse à ce type de données de survie et qu’on cherche à expliquer quelles sont les variables les plus prédictrices ou associées à la survenue de l’événement, un problème de sélection de variable se pose et à ce jour, peu de solutions existent pour y faire face. L’objectif de ce stage est donc, tout d’abord, de faire un bilan sur les méthodes existantes dans le cadre de la sélection de variables pour données de survie de grande dimension puis de proposer l’adaptation d’une méthode de sélection de variables à partir des forêts aléatoires en survie et enfin, d’étudier son comportement et ses performances. La méthode de sélection de variable VSURF (Variable Selection Using Random Forests) développée par Genuer et al. en 2010 est adaptée aux données de survie de grande dimension à l’aide des forêts aléatoires en survie (RSF) introduite par Ishwaran et al. en 2008. L'étude du comportement de la méthode est réalisée sur 4 schémas de simulation, les données PBC avec et sans ajout de variables de bruit et sur les données réelles sur le cancer du sein. Lors de l’optimisation des paramètres des forêts aléatoires pour les diverses simulations, on remarque que chaque cas est différent et qu’il est donc important de réaliser cette étape en amont de l’exécution de VSURF. Pour la sélection de variables avec cette dernière, VSURF réussit à sélectionner les bonnes variables et peu ou pas de variables de bruit. La méthode VSURF pour les données de survie de grande dimension est donc intéressante pour la sélection de variables et une méthode qui sera utile, par exemple, pour identifier des gènes ayant une valeur pronostique et un pouvoir prédictif elevés chez des patients atteints de cancer ou d’autres maladies dans les essais cliniques.
Fichier principal
Vignette du fichier
M2BIOSTAT_2021_HUCHON.pdf (1.32 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-03377763 , version 1 (14-10-2021)

Identifiants

  • HAL Id : dumas-03377763 , version 1

Citer

Mélanie Huchon. Sélection de variables à l’aide de forêts aléatoires pour données de survie de grande dimension. Santé publique et épidémiologie. 2021. ⟨dumas-03377763⟩
68 Consultations
537 Téléchargements

Partager

Gmail Facebook X LinkedIn More