连续预测变量的最优风险评分
Optimal Risk Scores for Continuous Predictors
AI总结：
针对以往风险评分构建方法需对连续预测变量做任意离散化的问题，本文提出混合整数非线性优化公式，让模型自主决定各连续变量的关键阈值并优化带稀疏约束的逻辑损失，在合成数据集验证了有效性。
摘要：
本文提出一种新颖的混合整数非线性优化公式来构建风险评分，其中我们在稀疏性约束下优化逻辑损失。以往方法通常设计用于处理二元数据集，其中连续预测变量在预处理步骤中通过使用分位数等任意阈值进行离散化。相比之下，我们允许模型为每个连续预测变量决定对预测至关重要的特定阈值。所得优化问题的有效性在合成数据集上进行了测试。
英文摘要：
In this paper, we propose a novel Mixed-Integer Non-Linear Optimization formulation to construct a risk score, where we optimize the logistic loss with sparsity constraints. Previous approaches are typically designed to handle binary datasets, where continuous predictor variables are discretized in a preprocessing step by using arbitrary thresholds, such as quantiles. In contrast, we allow the model to decide for each continuous predictor variable the particular threshold that is critical for prediction. The usefulness of the resulting optimization problem is tested in synthetic datasets.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
