論文の概要: Analyzing the impact of feature selection on the accuracy of heart disease prediction

• arxiv url: http://arxiv.org/abs/2206.03239v1
• Date: Tue, 7 Jun 2022 12:51:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 15:57:46.558665
• Title: Analyzing the impact of feature selection on the accuracy of heart disease prediction
• Title（参考訳）: 特徴選択が心疾患予測の精度に及ぼす影響の分析
• Authors: Muhammad Salman Pathan, Avishek Nag, Muhammad Mohisn Pathan, and Soumyabrata Dev
• Abstract要約: 本研究の目的は,合併症の少ない心臓病の正確な分類を支援する高次元データセットから,最も重要なリスク因子を同定することである。 分類モデルの性能は、フル機能セットで訓練されたモデルと比較して、トレーニング時間を短縮して大幅に向上した。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heart Disease has become one of the most serious diseases that has a significant impact on human life. It has emerged as one of the leading causes of mortality among the people across the globe during the last decade. In order to prevent patients from further damage, an accurate diagnosis of heart disease on time is an essential factor. Recently we have seen the usage of non-invasive medical procedures, such as artificial intelligence-based techniques in the field of medical. Specially machine learning employs several algorithms and techniques that are widely used and are highly useful in accurately diagnosing the heart disease with less amount of time. However, the prediction of heart disease is not an easy task. The increasing size of medical datasets has made it a complicated task for practitioners to understand the complex feature relations and make disease predictions. Accordingly, the aim of this research is to identify the most important risk-factors from a highly dimensional dataset which helps in the accurate classification of heart disease with less complications. For a broader analysis, we have used two heart disease datasets with various medical features. The classification results of the benchmarked models proved that there is a high impact of relevant features on the classification accuracy. Even with a reduced number of features, the performance of the classification models improved significantly with a reduced training time as compared with models trained on full feature set.
• Abstract（参考訳）: 心臓病は、人間の生活に大きな影響を与える最も深刻な病気の1つになっている。 過去10年間、世界中の人々が死亡する主要な原因の1つとして現れてきた。 患者がさらなるダメージを受けるのを防ぐために、時間による心臓病の正確な診断が不可欠である。 近年,医療分野における人工知能などの非侵襲的医療手法の利用が注目されている。 特に機械学習は、広く使われているいくつかのアルゴリズムと技法を採用しており、より少ない時間で心臓病を正確に診断するのに非常に有用である。 しかし、心臓病の予測は容易ではない。 医療データセットの増大は、実践者が複雑な特徴の関係を理解し、病気の予測を行うための複雑なタスクとなった。 本研究の目的は,合併症の少ない心臓病の正確な分類を支援する高次元データセットから,最も重要なリスク因子を特定することである。 より広範な分析のために、様々な医学的特徴を持つ心疾患データセットを2つ使用した。 ベンチマークしたモデルの分類結果から,分類精度に関連性が高いことが判明した。 特徴量を減らしても、分類モデルの性能は、完全な特徴セットで訓練されたモデルと比較してトレーニング時間を大幅に改善した。

関連論文リスト

• A data balancing approach towards design of an expert system for Heart Disease Prediction [0.9895793818721335]
  心臓病は深刻な世界的な健康問題で、毎年何百万人もの命がかかっています。 本稿では,決定木(DT),ランダムフォレスト(RF),線形判別分析,エクストラツリーブースト,アダブーストという5つの機械学習手法を用いた。 ランダムフォレストと決定木モデルの精度は99.83%だった。
  論文  参考訳（メタデータ） (2024-07-26T08:56:13Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Evaluating The Accuracy of Classification Algorithms for Detecting Heart Disease Risk [0.0]
  本研究は、心臓疾患の医学的データセットを用いた分類アルゴリズムを利用する。 アルゴリズムの性能は,精度,感度,特異性などの標準指標を用いて評価した。 その結果、心臓病を予測する最良のアルゴリズムは、99.24%の精度でランダムフォレストであることがわかった。
  論文  参考訳（メタデータ） (2023-12-06T06:41:48Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Ensemble Framework for Cardiovascular Disease Prediction [0.0]
  心臓病は、世界中でコミュニケーション不能で無音な死の主な原因である。 我々は,ExtraTrees,Random Forest,XGBoostなど,複数の機械学習アルゴリズムを用いたアンサンブルを組み込んだフレームワークを提案している。 提案手法は,既存の文献よりも高い92.34%の精度を実現した。
  論文  参考訳（メタデータ） (2023-06-16T17:37:43Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network [0.0]
  心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。 本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。 提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
  論文  参考訳（メタデータ） (2021-05-22T22:00:57Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Feature selection for medical diagnosis: Evaluation for using a hybrid Stacked-Genetic approach in the diagnosis of heart disease [0.0]
  心臓病は過去10年間に最も重要な死因の1つとなっています。 本論文では,ラッパー機能低減を用いたアンサンブルジェネティック学習法を提案し,疾患分類の特徴を選定する。
  論文  参考訳（メタデータ） (2021-03-15T07:31:14Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。