論文の概要: Discriminant Analysis in Contrasting Dimensions for Polycystic Ovary Syndrome Prognostication

• arxiv url: http://arxiv.org/abs/2201.03029v1
• Date: Sun, 9 Jan 2022 14:55:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 02:17:44.209285
• Title: Discriminant Analysis in Contrasting Dimensions for Polycystic Ovary Syndrome Prognostication
• Title（参考訳）: 多嚢胞性卵巣症候群予後の対比次元における判別分析
• Authors: Abhishek Gupta, Himanshu Soni, Raunak Joshi, Ronald Melwin Laban
• Abstract要約: PCOSとしても知られる多嚢胞性卵巣症候群は二項分類の問題である。 本稿では,2進分類のための線形形式と四進形式の異なる次元の判別分析とメトリクスについて述べる。 判別分析では精度が良く, ばらつきも少なかった。
• 参考スコア（独自算出の注目度）: 3.1871776847712523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A lot of prognostication methodologies have been formulated for early detection of Polycystic Ovary Syndrome also known as PCOS using Machine Learning. PCOS is a binary classification problem. Dimensionality Reduction methods impact the performance of Machine Learning to a greater extent and using a Supervised Dimensionality Reduction method can give us a new edge to tackle this problem. In this paper we present Discriminant Analysis in different dimensions with Linear and Quadratic form for binary classification along with metrics. We were able to achieve good accuracy and less variation with Discriminant Analysis as compared to many commonly used classification algorithms with training accuracy reaching 97.37% and testing accuracy of 95.92% using Quadratic Discriminant Analysis. Paper also gives the analysis of data with visualizations for deeper understanding of problem.
• Abstract（参考訳）: 機械学習を用いたPCOS(Polycystic Ovary Syndrome)の早期発見のために多くの予後診断法が確立されている。 PCOSはバイナリ分類の問題である。 次元化手法は機械学習の性能に大きな影響を与え,教師付き次元化手法を用いることにより,この問題に新たなエッジを与えることができる。 本稿では,二進分類のための線形形式と二次形式を持つ異なる次元の判別解析とメトリクスについて述べる。 トレーニング精度97.37%、テスト精度95.92%を2次判別分析を用いて測定し、多くの一般的な分類アルゴリズムと比較して、優れた精度と識別分析のばらつきが得られた。 また、問題をより深く理解するための可視化によるデータ分析も提供する。

関連論文リスト

• An AI-Guided Data Centric Strategy to Detect and Mitigate Biases in Healthcare Datasets [32.25265709333831]
  我々は、小さなサンプルサイズ(AEquity)で異なるグループをいかに容易に学習するかを調査することによって、データセットバイアスを評価するために、データ中心、モデルに依存しないタスク非依存のアプローチを生成する。 次に、サブポピュレーション全体にわたるAEq値の体系的分析を適用し、医療における2つの既知の事例において、人種的偏見の特定と顕在化を図った。 AEqは、医療データセットのバイアスを診断し、修正することで、エクイティの前進に適用できる、新しく広く適用可能なメトリクスである。
  論文  参考訳（メタデータ） (2023-11-06T17:08:41Z)
• Deep Linear Discriminant Analysis with Variation for Polycystic Ovary Syndrome Classification [3.1871776847712523]
  単純な機械学習アルゴリズムは、Deep Learningを使用して高度なフレームワークで改善することができる。 線形判別式解析は, 深部LDAを用いて, 性能を向上できる線形次元削減アルゴリズムである。
  論文  参考訳（メタデータ） (2023-03-25T08:39:06Z)
• An Experimental Study of Dimension Reduction Methods on Machine Learning Algorithms with Applications to Psychometrics [77.34726150561087]
  次元の減少は、変数の減少を伴わないのと同じ精度で減少、増大、あるいは達成できることを示す。 我々の暫定的な結果は、次元の減少が分類タスクに使用する場合、より良い性能をもたらす傾向があることを見出した。
  論文  参考訳（メタデータ） (2022-10-19T22:07:13Z)
• Binary Classification for High Dimensional Data using Supervised Non-Parametric Ensemble Method [3.1871776847712523]
  多発性嚢胞性卵巣症候群のデータセットが利用可能であり、女性では内分泌疾患と呼ばれる。 非Parametric Supervised Ensemble 機械学習手法は、早期の障害の予測に使用できる。
  論文  参考訳（メタデータ） (2022-02-15T23:06:49Z)
• Riemannian-based Discriminant Analysis for Feature Extraction and Classification [2.1485350418225244]
  識別分析は、高次元データから低次元特徴を抽出する機械学習において広く用いられている手法である。 従来のeuclidean-based algorithms for discriminant analysisは、スプリアス局所ミニマに容易に収束する。 RDA(Riemannian-based Discriminant Analysis)と呼ばれる新しい手法を提案し、従来のユークリッド法をリーマン多様体空間へ変換する。
  論文  参考訳（メタデータ） (2021-01-20T09:13:34Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Approaching Bio Cellular Classification for Malaria Infected Cells Using Machine Learning and then Deep Learning to compare & analyze K-Nearest Neighbours and Deep CNNs [0.0]
  マラリアは致命的な病気で、毎年何十万人もの人の命がかかっています。 本稿では, 細胞画像中のマラリアの存在を分類する文脈において, 異なる機械学習手法について検討する。
  論文  参考訳（メタデータ） (2020-05-22T23:02:36Z)
• Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
  判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。 線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T05:09:08Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
  複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。 提案手法は,個々の試料の重量を定義する確率モデルに基づく。 サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
  論文  参考訳（メタデータ） (2020-04-08T19:40:53Z)

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。