鲁棒Q学习数据集
用于演示鲁棒Q学习方法的纳曲酮治疗有效性多阶段随机试验数据。
基本信息
资源简介
鲁棒Q学习数据集
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 3 个文件、合计 671.22 KB，主题涵盖 Cross-fitting、Data-adaptive techniques、Dynamic treatment strategies、Residual confounding，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Robust Q-Learning》。配套论文《Robust Q-Learning》发表于 Journal of the American Statistical Association（2020），DOI：10.1080/01621459.2020.1753522。源站首次发布：2022-12-08。
【数据内容】
源站原始描述：Abstract–Q-learning is a regression-based approach that is widely used to formalize the development of an optimal dynamic treatment strategy. Finite dimensional working models are typically used to estimate certain nuisance parameters, and misspecification of these working models can result in residual confounding and/or efficiency loss. We propose a robust Q-learning approach which allows estimating such nuisance parameters using data-adaptive techniques. We study the asymptotic behavior of our…
【数据结构与技术规格】
文件数 3 个，合计 671.22 KB。R1 code Table 1&2.zip：application/zip，4.91 KB。README.rtf：text/rtf，655 B。Supp-Blind.pdf：application/pdf，665.65 KB。数据集 DOI：10.6084/m9.figshare.12118581.v4。
【主题与分类】
源站学科分类：Medicine、Biotechnology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Mathematical Sciences not elsewhere classified。主题标签：Cross-fitting、Data-adaptive techniques、Dynamic treatment strategies、Residual confounding。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://tandf.figshare.com/articles/dataset/Robust_Q-learning/12118581
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Robust Q-Learning. Taylor & Francis. Ertefaie, Ashkan; McKay, James R.; Oslin, David; Strawderman, Robert L
【使用注意】
· 源站最后修改于 2023-05-30，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Robust Q-Learning
- DOI：10.6084/m9.figshare.12118581.v4
- 发布日期：2022-12-08
- 文件数：3 个
- 文件总体积：671.22 KB
- 源站页面：https://tandf.figshare.com/articles/dataset/Robust_Q-learning/12118581
命令行下载
curl -L -o "R1 code Table 1&2.zip" "https://ndownloader.figshare.com/files/38484442"
curl -L -o "README.rtf" "https://ndownloader.figshare.com/files/38484445"
curl -L -o "Supp-Blind.pdf" "https://ndownloader.figshare.com/files/38484448"
文件清单
R1 code Table 1&2.zip（4.91 KB）README.rtf（655 B）Supp-Blind.pdf（665.65 KB）
文件总体积 671.22 KB（源站 API 实测）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据说明
Abstract–Q-learning is a regression-based approach that is widely used to formalize the development of an optimal dynamic treatment strategy. Finite dimensional working models are typically used to estimate certain nuisance parameters, and misspecification of these working models can result in residual confounding and/or efficiency loss. We propose a robust Q-learning approach which allows estimating such nuisance parameters using data-adaptive techniques. We study the asymptotic behavior of our estimators and provide simulation studies that highlight the need for and usefulness of the proposed method in practice. We use the data from the “Extending Treatment Effectiveness of Naltrexone” multistage randomized trial to illustrate our proposed methods. Supplementary materials for this article are available online.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.6084/m9.figshare.12118581.v4（source: https://tandf.figshare.com/articles/dataset/Robust_Q-learning/12118581）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
