論文の概要: Coronary Heart Disease Diagnosis Based on Improved Ensemble Learning
- arxiv url: http://arxiv.org/abs/2007.02895v1
- Date: Mon, 6 Jul 2020 17:14:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 02:18:28.224535
- Title: Coronary Heart Disease Diagnosis Based on Improved Ensemble Learning
- Title（参考訳）: アンサンブル学習の改善による冠動脈疾患の診断
- Authors: Kuntoro Adi Nugroho, Noor Akhmad Setiawan, Teguh Bharata Adji
- Abstract要約: 本研究は,アンサンブル学習とカスケード一般化に基づく心臓疾患診断法を開発することを目的とする。
C4.5 と RIPPER はメタレベルアルゴリズム、Naive Bayes はベースレベルアルゴリズムとして使われた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate diagnosis is required before performing proper treatments for
coronary heart disease. Machine learning based approaches have been proposed by
many researchers to improve the accuracy of coronary heart disease diagnosis.
Ensemble learning and cascade generalization are among the methods which can be
used to improve the generalization ability of learning algorithm. The objective
of this study is to develop heart disease diagnosis method based on ensemble
learning and cascade generalization. Cascade generalization method with loose
coupling strategy is proposed in this study. C4. 5 and RIPPER algorithm were
used as meta-level algorithm and Naive Bayes was used as baselevel algorithm.
Bagging and Random Subspace were evaluated for constructing the ensemble. The
hybrid cascade ensemble methods are compared with the learning algorithms in
non-ensemble mode and non-cascade mode. The methods are also compared with
Rotation Forest. Based on the evaluation result, the hybrid cascade ensemble
method demonstrated the best result for the given heart disease diagnosis case.
Accuracy and diversity evaluation was performed to analyze the impact of the
cascade strategy. Based on the result, the accuracy of the classifiers in the
ensemble is increased but the diversity is decreased.
- Abstract（参考訳）: 冠動脈疾患の適切な治療を行うには正確な診断が必要である。
機械学習に基づくアプローチは、冠動脈疾患の診断精度を向上させるために多くの研究者によって提案されている。
アンサンブル学習とカスケード一般化は、学習アルゴリズムの一般化能力を向上させるために使用できる方法の1つである。
本研究の目的は,アンサンブル学習とカスケード一般化に基づく心臓病診断手法を開発することである。
本研究では疎結合戦略を用いたカスケード一般化法を提案する。
C4。
5およびripperアルゴリズムをメタレベルアルゴリズムとし,naive bayesをベースレベルアルゴリズムとした。
BaggingとRandom Subspaceがアンサンブルの構築のために評価された。
ハイブリッド・カスケード・アンサンブル法を非センスモードと非カスケードモードの学習アルゴリズムと比較する。
この手法はローテーション・フォレストと比較される。
評価結果に基づき, ハイブリッド・カスケード・アンサンブル法が心疾患の診断に最適な結果を示した。
カスケード戦略の影響を分析するために精度と多様性を評価した。
その結果、アンサンブルにおける分類器の精度は向上するが、多様性は低下する。
関連論文リスト
- Comparison of Machine Learning Classification Algorithms and Application
to the Framingham Heart Study [0.0]
医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。
本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
論文 参考訳（メタデータ） (2024-02-22T22:49:35Z) - Improving ICD-based semantic similarity by accounting for varying
degrees of comorbidity [39.58317527488534]
疾患と関連する健康問題(ICD)の国際統計分類は、疾患をコードするために世界中で使用されている。
意味的類似性アルゴリズムを用いて、ICDコードに基づく患者の類似性を計算することができる。
ICD-code セットに基づく意味的類似性の観点から,80種類の確立されたアルゴリズムの組み合わせの性能を比較した。
論文 参考訳（メタデータ） (2023-08-14T14:56:07Z) - A Cluster-Based Opposition Differential Evolution Algorithm Boosted by a
Local Search for ECG Signal Classification [1.9738259547092656]
本稿では、ECG信号分類のための改良された微分進化(DE)アルゴリズムに基づく新しいアプローチを提案する。
実験の結果,提案アルゴリズムは従来の学習アルゴリズムよりも優れた結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-04T11:10:30Z) - An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
機械学習を用いた心疾患予測システムを構築した。
心臓疾患のある人と正常な人とを簡単に区別することができる。
論文 参考訳（メタデータ） (2023-04-12T17:53:59Z) - Efficient Approximate Kernel Based Spike Sequence Classification [56.2938724367661]
SVMのような機械学習モデルは、シーケンスのペア間の距離/相似性の定義を必要とする。
厳密な手法により分類性能は向上するが、計算コストが高い。
本稿では,その予測性能を向上させるために,近似カーネルの性能を改善する一連の方法を提案する。
論文 参考訳（メタデータ） (2022-09-11T22:44:19Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - Machine Learning-Based Classification Algorithms for the Prediction of
Coronary Heart Diseases [0.0]
この研究は、いくつかの機械学習に基づく分類モデルを作成し、テストした。
その結果、ロジスティック回帰は、元のデータセット上で最高のパフォーマンススコアを生み出した。
結論として,順調に処理され,標準化されたデータセット上のLRが,他のアルゴリズムよりも精度の高い冠状心疾患を予測できることが示唆された。
論文 参考訳（メタデータ） (2021-12-02T18:52:56Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳（メタデータ） (2021-01-26T17:11:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。