Prediction ResultsWe now focus on p

Prediction Results
We now focus on prediction of future episodes of depression. We first present some results of statistical significance of the behavioral features, as measured through their mean, variance, momentum, and entropy values over the one year period of analysis (Table 5). We use independent sample t-tests, where df=474: the values of the t-statistic and the corresponding p-values are given in the table. Note that we have 188 feature variables; hence to counteract the problem of multiple comparisons, we adopt Bonferroni correction. We choose a significance level of α=0.05/188= 2.66e-4. In Table 5, we report the features for which we have at least one of mean, variance, momentum or entropy values to be statistically significant.
The results align with our findings described earlier. Across the feature types, certain stylistic, engagement, emotion measures, and use of depression terms and mentions of antidepressant medication bear distinctive markers across the two classes. In general, momentum seems to be a feature that shows statistical significance across a number of measures, demonstrating that not only is the absolute degree of behavioral change important (indicated by the mean), but the trend of its change over time bears useful markers of distinguishing depressive behavior.
Now we utilize our proposed classification framework to examine how well we can predict, whether or not an individual is vulnerable to depression, ahead of its onset. In order to understand the importance of various feature types, we trained a number of models.
We present the results of these prediction models in Table 6. The results indicate that the best performing model (dimension-reduced features) in our test set yields an aver-age accuracy of ~70% and high precision of 0.74, corresponding to the depression class. Note that a baseline marginal model would yield accuracy of only 64%, i.e., when all data points are labeled per the majority class which is the non-depressed class. Good performance of this classifier is also evident from the receiver-operator characteristic (ROC) curves in Figure 4. The dimension-reduced feature model gives slightly greater traction compared to the one that uses all features; demonstrating utility of reducing feature
redundancy.

ผลลัพธ์ (ไทย) 2:

ผลการทำนายตอนนี้เรามุ่งเน้นไปที่การทำนายอนาคตเอพของภาวะซึมเศร้า ครั้งแรกที่เรานำเสนอผลนัยสำคัญทางสถิติของคุณสมบัติพฤติกรรมบางอย่างของพวกเขาผ่านการวัดค่าเฉลี่ยความแปรปรวนโมเมนตัมและค่าเอนโทรปีในช่วงระยะเวลาหนึ่งปีของการวิเคราะห์ (ตารางที่ 5) เราใช้กลุ่มตัวอย่างที่เป็นอิสระเสื้อทดสอบที่สั่ง df = 474: ค่าของเสื้อสถิติและค่าพีจะได้รับในตารางที่สอดคล้องกัน โปรดทราบว่าเรามี 188 ตัวแปรคุณลักษณะ; ด้วยเหตุนี้การที่จะรับมือกับปัญหาของการเปรียบเทียบหลาย ๆ ที่เรานำมาใช้ในการแก้ไข Bonferroni เราเลือกระดับความสำคัญของαใหม่ = 0.05 / 188 = 2.66e-4 ในตารางที่ 5 เรารายงานคุณสมบัติที่เรามีอย่างน้อยหนึ่งของค่าเฉลี่ยความแปรปรวนโมเมนตัมหรือค่าเอนโทรปีจะต้องมีนัยสำคัญทางสถิติ.
ผลที่สอดคล้องกับผลการวิจัยของเราอธิบายไว้ก่อนหน้า ในทุกประเภทคุณลักษณะโวหารบางหมั้นมาตรการอารมณ์ความรู้สึกและการใช้งานของข้อตกลงและกล่าวถึงภาวะซึมเศร้าของยากล่อมประสาทแบกเครื่องหมายที่โดดเด่นทั้งสองเรียน โดยทั่วไปโมเมนตัมน่าจะเป็นคุณลักษณะที่แสดงให้เห็นนัยสำคัญทางสถิติในจำนวนของมาตรการที่แสดงให้เห็นว่าไม่เพียง แต่การศึกษาระดับปริญญาที่แน่นอนของการเปลี่ยนแปลงพฤติกรรมที่สำคัญ (แสดงโดยค่าเฉลี่ย) แต่แนวโน้มของการเปลี่ยนแปลงเมื่อเวลาผ่านไปหมีเครื่องหมายประโยชน์ของ พฤติกรรมซึมเศร้าที่แตกต่าง.
ตอนนี้เราใช้กรอบการจัดหมวดหมู่ของเราเสนอให้ตรวจสอบวิธีการที่ดีที่เราสามารถคาดการณ์หรือไม่บุคคลที่มีความเสี่ยงที่จะเกิดภาวะซึมเศร้าไปข้างหน้าของการโจมตีของ เพื่อให้เข้าใจถึงความสำคัญของประเภทคุณลักษณะต่างๆที่เราได้รับการฝึกฝนหลายรูปแบบ.
เรานำเสนอผลของรูปแบบการทำนายเหล่านี้ในตารางที่ 6 ผลการศึกษาพบว่ารูปแบบการแสดงที่ดีที่สุด (คุณสมบัติมิติที่ลดลง) ในการทดสอบของเราชุดผลผลิต ความถูกต้องยืนยันอายุของ ~ 70% และความแม่นยำสูงของ 0.74 สอดคล้องกับระดับภาวะซึมเศร้า โปรดทราบว่ารูปแบบขอบพื้นฐานจะให้ผลผลิตความถูกต้องเพียง 64% คือเมื่อจุดที่ข้อมูลทั้งหมดจะมีข้อความต่อชั้นส่วนใหญ่ซึ่งเป็นระดับที่ไม่ได้มีความสุข ผลการดำเนินงานที่ดีของการจําแนกนี้จะเห็นได้จากลักษณะรับผู้ประกอบการ (ROC) เส้นโค้งในรูปที่ 4 รูปแบบคุณลักษณะมิติลดลงฉุดให้มากขึ้นเล็กน้อยเมื่อเทียบกับหนึ่งที่ใช้คุณลักษณะทั้งหมด;
แสดงให้เห็นถึงประโยชน์ของการลดคุณลักษณะซ้ำซ้อน

ผลลัพธ์ (ไทย) 3:

ผลการทำนาย
ตอนนี้เรามุ่งเน้นไปที่การประเมินเอพในอนาคตของภาวะซึมเศร้า แรกที่เรานำเสนอผลลัพธ์บางอย่างนัยสำคัญของลักษณะพฤติกรรมที่วัดผ่านค่าเฉลี่ย ความแปรปรวน โมเมนตัม และ ค่า ค่า ผ่านรอบระยะเวลาหนึ่งปีของการวิเคราะห์ ( ตารางที่ 5 ) เราใช้แบบตัวอย่างอิสระ ที่ df = 474 :ค่าของ t-statistic และ p-values ที่ยกให้เป็นตาราง โปรดทราบว่าเรามี 188 คุณลักษณะตัวแปร ดังนั้นเพื่อลดปัญหาของการเปรียบเทียบหลายเรารับแก้ไขบอนเฟอร์โรนี . เราเลือก อย่างมีนัยสำคัญทางสถิติที่ระดับ 0.05 / 188 α = = 2.66e-4 . ตารางที่ 5 เรารายงานคุณลักษณะที่เราจะมีอย่างน้อยหนึ่งของค่าเฉลี่ย ความแปรปรวนโมเมนตัม หรือค่าเอนโทรปีได้อย่างมีนัยสำคัญทางสถิติ ผลการวิจัยสอดคล้องกับผลการวิจัยของเรา
อธิบายไว้ก่อนหน้านี้ ทั่วประเภท คุณลักษณะบางโวหาร , หมั้น , มาตรการทางอารมณ์ และใช้เงื่อนไขของภาวะซึมเศร้าและกล่าวถึงยาโรคซึมเศร้าหมีที่โดดเด่นเครื่องหมายข้าม 2 ชั้นเรียน โดยทั่วไปโมเมนตัมน่าจะเป็นคุณลักษณะที่แสดงสถิติในหลายมาตรการ , แสดงให้เห็นว่าไม่เพียง แต่เป็นระดับที่แน่นอนของการเปลี่ยนแปลงที่สำคัญพฤติกรรม ( แสดงโดยเฉลี่ย ) แต่แนวโน้มของการเปลี่ยนแปลงเมื่อเวลาผ่านไป หมีเป็นเครื่องหมายแยกพฤติกรรมซึมเศร้า .
ตอนนี้เราใช้ของเราเสนอกรอบการตรวจสอบเราดีอย่างไร สามารถคาดเดาได้หรือไม่ว่าบุคคลที่มีความเสี่ยงต่อภาวะซึมเศร้าก่อน onset ของ เพื่อให้เข้าใจความสำคัญของสารคดีประเภทต่างๆ ที่เราฝึกหลายรูปแบบ
เรานำเสนอผลของแบบจำลองพยากรณ์เหล่านี้ในตารางที่ 6 ผลการศึกษาพบว่า การปฏิบัติที่ดีที่สุดรูปแบบ ( ขนาดลดคุณสมบัติ ) ในชุดทดสอบของเราผลผลิตการยืนยันความถูกต้องอายุ ~ 70% และความแม่นยำสูง 0.74 ,ที่เกี่ยวข้องกับภาวะซึมเศร้า ระดับ ทราบว่าพื้นฐานรุ่นที่เพิ่มความถูกต้องของ 64 % เช่นเมื่อข้อมูลทุกจุดมีป้ายต่อส่วนใหญ่เรียนที่ไม่เครียดเรียน ประสิทธิภาพที่ดีของตัวนี้ยังเห็นได้จากสัญญาณโอเปอเรเตอร์ ( ROC ) ลักษณะเส้นโค้งในรูปที่ 4ขนาดลดลง รูปแบบคุณลักษณะให้มากขึ้นเล็กน้อย ดึงเมื่อเทียบกับคนที่ใช้คุณสมบัติทั้งหมด ; แสดงให้เห็นถึงประโยชน์ของการลดคุณลักษณะ
ความซ้ำซ้อน