AU - Torkashvand, Zahra AU - Mahjub, Hossein AU - Soltanian, Ali Reza AU - Farhadian, Maryam TI - Comparison of Ordinal Response Modeling Methods like Decision Trees, Ordinal Forest and L1 Penalized Continuation Ratio Regression in High Dimensional Data PT - JOURNAL ARTICLE TA - ISMJ JN - ISMJ VO - 24 VI - 5 IP - 5 4099 - http://ismj.bpums.ac.ir/article-1-1515-fa.html 4100 - http://ismj.bpums.ac.ir/article-1-1515-fa.pdf SO - ISMJ 5 AB  - زمینه: در بسیاری از تحقیقات در حوزه‌های پزشکی و بهداشتی متغیر پاسخ ماهیت ترتیبی دارد. روش­های مرسوم مبتنی بر فرض استقلال میان متغیرهای پیشگو و همچنین زیاد بودن تعداد نمونه­ها (n) در مقایسه با تعداد کووریت­ها (p) هستند. لذا برای داده­های ژنتیکی با ابعاد بالا که در آن‌ها p>n می­باشد، استفاده از مدل­های مرسوم امکان‌پذیر نیست. در پژوهش حاضر از روش­های رگرسیون نسبت پیوسته جریمه شده، درخت تصمیم و انباشت ترتیبی برای پیش‎بینی پاسخ­های ترتیبی استفاده خواهد شد. مواد و روش‌ها: در مطالعه حاضر از سه دیتاست استفاده شد. مجموعه داده B-cell حاوی اطلاعات 12625 ژن در 128 بیمار که پاسخ در چهار سطح ترتیبی قرار داشت، داده HCC مرتبط با سرطان کبد شامل 1469 ژن در 56 بیمار که پاسخ در سه سطح ترتیبی قرار داشت و همچنین داده قلب شامل اطلاعات پنج متغیر در 294 بیمار تحت آنژیوگرافی که پاسخ در 5 سطح قرار داشت. عملکرد روش­های مدنظر با استفاده از مجموعه داده یکسان آموزش و آزمون براساس شاخص‌هایی از قبیل دقت، گاما و کاپا مورد مقایسه قرار گرفت. یافته‌ها: در دو مجموعه داده با ابعاد بالا مدل انباشت ترتیبی از توانایی پیش‌بینی بالاتری برخوردار بود. در حالی که برای مجموعه داده با ابعاد پایین مدل رگرسیون نسبت پیوسته جریمه شده عملکرد پیش‌بینی بهتری داشت. نتیجه‌گیری: انتخاب بهترین مدل پیش‌بینی از بین مدل‌های بکار رفته بستگی به مجموعه داده مورد استفاده دارد و برای هر مجموعه داده بایستی روش‌های مختلف را مورد بررسی قرار داد تا به بهترین مدل دست یافت. CP - IRAN IN - LG - eng PB - ISMJ PG - 454 PT - Original YR - 2021