{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3329948"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3329948","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"On the predictive ability of some statistical machine learning methods for binary outcomes","abstract":"Η τεχνολογική ανάπτυξη των τελευταίων δεκαετιών έχει ανοίξει το δρόμο σε πολλές, νέες δυνατότητες. Η στατιστική και πιο συγκεκριμένα ο χειρισμός και η ανάλυση δεδομένων από τον κλάδο της υγείας, έχουν με τη σειρά τους επηρεαστεί από τις τεχνολογικές καινοτομίες. Οι προσφάτως ανεπτυγμένες εφαρμογές κάποιων μεθόδων Machine Learning στη στατιστική, που στο σύνολό τους ονομάζονται Statistical Learning, προσφέρουν θεωρητικά εντυπωσιακή βελτίωση σε ορισμένα καίρια ζητήματα. Τόσο όσον αφορά την απόδοση και την ακρίβεια των εκτιμήσεων, όσο και στο χρόνο που απαιτείται για να τις εξάγουμε. Η παρούσα διπλωματική εργασία έχει ως σκοπό τη σύγκριση και αξιολόγηση της προβλεπτικής ικανότητας κάποιων στατιστικών μεθόδων Machine Learning σε δυαδικές εκβάσεις (επιτυχία-αποτυχία), τόσο μεταξύ τους, όσο και με την παραδοσιακή λογιστική παλινδρόμηση. Αρχικά παρουσιάζονται κάποιες βασικές αρχές του χώρου του Statistical Learning, ώστε κάποιες έννοιες να είναι πιο οικείες στον αναγνώστη. Στη συνέχεια, παρουσιάζονται τα κριτήρια με βάση τα οποία θα πραγματοποιηθεί η σύγκριση μεταξύ των μεθόδων και ένα θεωρητικό και ιστορικό υπόβαθρο για κάθε μία από αυτές. Τέλος, γίνεται εφαρμογή σε τρία σετ πραγματικών δεδομένων, διαφορετικών ως προς την αναλογία παρατηρήσεων-ανεξάρτητων μεταβλητών, και αξιολόγηση των αποτελεσμάτων.","abstract_html":"Η τεχνολογική ανάπτυξη των τελευταίων δεκαετιών έχει ανοίξει το δρόμο σε πολλές, νέες δυνατότητες. Η στατιστική και πιο συγκεκριμένα ο χειρισμός και η ανάλυση δεδομένων από τον κλάδο της υγείας, έχουν με τη σειρά τους επηρεαστεί από τις τεχνολογικές καινοτομίες. Οι προσφάτως ανεπτυγμένες εφαρμογές κάποιων μεθόδων Machine Learning στη στατιστική, που στο σύνολό τους ονομάζονται Statistical Learning, προσφέρουν θεωρητικά εντυπωσιακή βελτίωση σε ορισμένα καίρια ζητήματα. Τόσο όσον αφορά την απόδοση και την ακρίβεια των εκτιμήσεων, όσο και στο χρόνο που απαιτείται για να τις εξάγουμε. Η παρούσα διπλωματική εργασία έχει ως σκοπό τη σύγκριση και αξιολόγηση της προβλεπτικής ικανότητας κάποιων στατιστικών μεθόδων Machine Learning σε δυαδικές εκβάσεις (επιτυχία-αποτυχία), τόσο μεταξύ τους, όσο και με την παραδοσιακή λογιστική παλινδρόμηση. Αρχικά παρουσιάζονται κάποιες βασικές αρχές του χώρου του Statistical Learning, ώστε κάποιες έννοιες να είναι πιο οικείες στον αναγνώστη. Στη συνέχεια, παρουσιάζονται τα κριτήρια με βάση τα οποία θα πραγματοποιηθεί η σύγκριση μεταξύ των μεθόδων και ένα θεωρητικό και ιστορικό υπόβαθρο για κάθε μία από αυτές. Τέλος, γίνεται εφαρμογή σε τρία σετ πραγματικών δεδομένων, διαφορετικών ως προς την αναλογία παρατηρήσεων-ανεξάρτητων μεταβλητών, και αξιολόγηση των αποτελεσμάτων.","abstract_has_math":false,"creators":["Γουνελάς Γεώργιος","Gounelas Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:16Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3329948"],"render_values":[{"text":"uoadl:3329948","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3329948","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3329948","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3329948","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γουνελάς Γεώργιος","Gounelas Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3329948","https://pergamos.lib.uoa.gr/uoa/dl/object/3329948"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η τεχνολογική ανάπτυξη των τελευταίων δεκαετιών έχει ανοίξει το δρόμο σε πολλές, νέες δυνατότητες. Η στατιστική και πιο συγκεκριμένα ο χειρισμός και η ανάλυση δεδομένων από τον κλάδο της υγείας, έχουν με τη σειρά τους επηρεαστεί από τις τεχνολογικές καινοτομίες. Οι προσφάτως ανεπτυγμένες εφαρμογές κάποιων μεθόδων Machine Learning στη στατιστική, που στο σύνολό τους ονομάζονται Statistical Learning, προσφέρουν θεωρητικά εντυπωσιακή βελτίωση σε ορισμένα καίρια ζητήματα. Τόσο όσον αφορά την απόδοση και την ακρίβεια των εκτιμήσεων, όσο και στο χρόνο που απαιτείται για να τις εξάγουμε. Η παρούσα διπλωματική εργασία έχει ως σκοπό τη σύγκριση και αξιολόγηση της προβλεπτικής ικανότητας κάποιων στατιστικών μεθόδων Machine Learning σε δυαδικές εκβάσεις (επιτυχία-αποτυχία), τόσο μεταξύ τους, όσο και με την παραδοσιακή λογιστική παλινδρόμηση. Αρχικά παρουσιάζονται κάποιες βασικές αρχές του χώρου του Statistical Learning, ώστε κάποιες έννοιες να είναι πιο οικείες στον αναγνώστη. Στη συνέχεια, παρουσιάζονται τα κριτήρια με βάση τα οποία θα πραγματοποιηθεί η σύγκριση μεταξύ των μεθόδων και ένα θεωρητικό και ιστορικό υπόβαθρο για κάθε μία από αυτές. Τέλος, γίνεται εφαρμογή σε τρία σετ πραγματικών δεδομένων, διαφορετικών ως προς την αναλογία παρατηρήσεων-ανεξάρτητων μεταβλητών, και αξιολόγηση των αποτελεσμάτων.","Technological advances in the last decades have unlocked a wide spectrum of exciting, new possibilities. Statistics and more specifically the handling and analysis of health-derived data, are also affected by these technological innovations. The recently developed applications of Machine Learning methods in statistics, called Statistical Learning, theoretically offer a vast improvement in some important matters. In the performance and the estimations provided, as well as in the required computational time. The goal of the present thesis is the comparison of some statistical Machine Learning methods and the evaluation of their predictive ability for binary outcomes. The methods will be compared with one another, but with the traditional logistic regression as well. Firstly, some basic principles and definitions of Statistical Learning will be presented, aiming for the reader to become somewhat familiar with some qualities. Next, the criteria used for the comparison between the competing methods will be presented, along with some theoretical and historical context for each of them. Finally, the competed methods are applied to three sets of real data, different in terms of the proportion between observations and predictor variables, and evaluation of the results."]},{"key":"dc:title","label":"Title","values":["On the predictive ability of some statistical machine learning methods for binary outcomes"]}]}],"canonical_facts":{"dc:creator":["Γουνελάς Γεώργιος","Gounelas Georgios"],"dc:date":["2023"],"dc:description":["Η τεχνολογική ανάπτυξη των τελευταίων δεκαετιών έχει ανοίξει το δρόμο σε πολλές, νέες δυνατότητες. Η στατιστική και πιο συγκεκριμένα ο χειρισμός και η ανάλυση δεδομένων από τον κλάδο της υγείας, έχουν με τη σειρά τους επηρεαστεί από τις τεχνολογικές καινοτομίες. Οι προσφάτως ανεπτυγμένες εφαρμογές κάποιων μεθόδων Machine Learning στη στατιστική, που στο σύνολό τους ονομάζονται Statistical Learning, προσφέρουν θεωρητικά εντυπωσιακή βελτίωση σε ορισμένα καίρια ζητήματα. Τόσο όσον αφορά την απόδοση και την ακρίβεια των εκτιμήσεων, όσο και στο χρόνο που απαιτείται για να τις εξάγουμε. Η παρούσα διπλωματική εργασία έχει ως σκοπό τη σύγκριση και αξιολόγηση της προβλεπτικής ικανότητας κάποιων στατιστικών μεθόδων Machine Learning σε δυαδικές εκβάσεις (επιτυχία-αποτυχία), τόσο μεταξύ τους, όσο και με την παραδοσιακή λογιστική παλινδρόμηση. Αρχικά παρουσιάζονται κάποιες βασικές αρχές του χώρου του Statistical Learning, ώστε κάποιες έννοιες να είναι πιο οικείες στον αναγνώστη. Στη συνέχεια, παρουσιάζονται τα κριτήρια με βάση τα οποία θα πραγματοποιηθεί η σύγκριση μεταξύ των μεθόδων και ένα θεωρητικό και ιστορικό υπόβαθρο για κάθε μία από αυτές. Τέλος, γίνεται εφαρμογή σε τρία σετ πραγματικών δεδομένων, διαφορετικών ως προς την αναλογία παρατηρήσεων-ανεξάρτητων μεταβλητών, και αξιολόγηση των αποτελεσμάτων.","Technological advances in the last decades have unlocked a wide spectrum of exciting, new possibilities. Statistics and more specifically the handling and analysis of health-derived data, are also affected by these technological innovations. The recently developed applications of Machine Learning methods in statistics, called Statistical Learning, theoretically offer a vast improvement in some important matters. In the performance and the estimations provided, as well as in the required computational time. The goal of the present thesis is the comparison of some statistical Machine Learning methods and the evaluation of their predictive ability for binary outcomes. The methods will be compared with one another, but with the traditional logistic regression as well. Firstly, some basic principles and definitions of Statistical Learning will be presented, aiming for the reader to become somewhat familiar with some qualities. Next, the criteria used for the comparison between the competing methods will be presented, along with some theoretical and historical context for each of them. Finally, the competed methods are applied to three sets of real data, different in terms of the proportion between observations and predictor variables, and evaluation of the results."],"dc:identifier":["uoadl:3329948","https://pergamos.lib.uoa.gr/uoa/dl/object/3329948"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["On the predictive ability of some statistical machine learning methods for binary outcomes"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:16Z"}