1.认知功能与身体功能
NHATS 的参与者接受了认知测试，包括即时和延迟后的 10 个单词记忆测试、计时绘画测试（用于评估执行功能）以及一系列定向测试问题。轻度认知障碍的判定标准是：在一个或多个认知领域中的得分低于平均值的 1.5 个标准差27。而痴呆症的判定标准是：至少在两个认知领域的得分低于平均值的 1.5 个标准差，或者根据 AD8 痴呆筛查访谈的结果，该人的痴呆症评分至少为 2 分27
参考文献：Kasper JD, Freedman VA, Spillman B. Classification of persons by dementia status in the National Health and Aging Trends Study. Technical Paper #5. Baltimore: Johns Hopkins University School of Public Health
2.集成学习
1）如何衡量各个学习器的置信度？
训练集为，其中
。
基学习器表示为
对每一个样本给一个软标签，其是在
条件下
赋值为标签
的概率。故H中训练集上的输出可以表示为：
与此同时，在观测 (元数据)上的K个基学习器的输出可以表示为：
当每个类标签的概率相差很大时，我们可以很容易选择出概率大的那个标签。如果各类标签概率接近，比如说对二分类问题，当存在 的情况时，就很难区分选哪个类比较好。为更好衡量置信度，引入熵值
。熵值越小，置信度越高。主要的熵值计算方式有香农熵（信息熵）
，最小熵
和碰撞熵
。
2）如何评估各个学习器的可信度阈值？---证据学习的结构和机理
在多数情况下，分类网络得到的结果只是当前类别的概率，但是并不代表对于当前这个 sample 预测的置信度。（softmax 激活函数的互斥性导致的，分类网络总会给出一个预测结果，无论好坏）
我们将问题缩小到一个简单的 K 分类网络 ，它的参数是
，输入特征
，给出对应的 K 维向量，代表属于 K 个类别的概率。但是根据前面说的，这 K 个概率只是相对于训练样本而言的，如果是 OOD 样本，模型应该需要判断一下这 K 个概率的可信度。
为了度量这种可信度，我们用 K 维向量来表示这 K 个类别概率的可信度，称为 集体信念（belief mass），用 表示预测结果的不确定性。显然， 一起构成了一组新的 PMF，自然满足。
可信度用来衡量每个学习器领域知识的丰富程度，对每个学习器，设置可信度阈值为
，,则学习器的选择准则为
3.集成学习的概率
把K个基学习器 的输出合并，常见结合策略有三类。
1）平均法（数值型输出）
个体性能相差较大时宜用加权平均，相近时宜用简单平均。
简单平均法 ：
加权平均法： ，其中
- 投票法（分类型输出）
- 绝对多数投票法（majority voting） ：某标记得票过半才预测它，否则拒绝预测。
- 相对多数投票法（plurality voting）：预测得票最多的标记，平票时随机选一个。
- 加权投票法（weighted voting）：与加权平均法类似，给各学习器的票加权。
按 的取值类型，投票又分两种：
- 硬投票（hard voting） ：
，使用类标记。
- 软投票（soft voting） ：
- 学习法Stacking
当训练数据较多时，更强大的做法是用学习法，再训练一个学习器来做结合，代表方法是 Stacking 。这里把个体学习器称为初级学习器 ，用来结合的学习器称为元学习器。
先用初级学习算法训练出若干初级学习器；然后把初级学习器的输出当作新样本的输入特征、原始标记仍作为标记，生成一个新数据集，用它训练元学习器。
