論文の概要: Enhancing Ayurvedic Diagnosis using Multinomial Naive Bayes and K-modes
Clustering: An Investigation into Prakriti Types and Dosha Overlapping
- arxiv url: http://arxiv.org/abs/2310.02920v1
- Date: Wed, 4 Oct 2023 16:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 14:22:36.025260
- Title: Enhancing Ayurvedic Diagnosis using Multinomial Naive Bayes and K-modes
Clustering: An Investigation into Prakriti Types and Dosha Overlapping
- Title（参考訳）: 多項naive bayesとk-modes clusteringを用いたayurvedic診断の強化 : prakriti型とdosha重複型の検討
- Authors: Pranav Bidve, Shalini Mishra and Annapurna J
- Abstract要約: 人体に対するPrakriti型の同定は、長期にわたる医療実践である。
我々はドーシャを7つのカテゴリに分類した。
使用されるデータは、機械学習の前処理ステップが実行された個々のエントリのバランスのとれたセットを含んでいる。
- 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: The identification of Prakriti types for the human body is a long-lost
medical practice in finding the harmony between the nature of human beings and
their behaviour. There are 3 fundamental Prakriti types of individuals. A
person can belong to any Dosha. In the existing models, researchers have made
use of SVM, KNN, PCA, Decision Tree, and various other algorithms. The output
of these algorithms was quite decent, but it can be enhanced with the help of
Multinomial Naive Bayes and K-modes clustering. Most of the researchers have
confined themselves to 3 basic classes. This might not be accurate in the
real-world scenario, where overlapping might occur. Considering these, we have
classified the Doshas into 7 categories, which includes overlapping of Doshas.
These are namely, VATT-Dosha, PITT-Dosha, KAPH-Dosha, VATT-PITT-Dosha,
PITT-KAPH-Dosha, KAPH-VATT-Dosha, and VATT-PITT-KAPH-Dosha. The data used
contains a balanced set of all individual entries on which preprocessing steps
of machine learning have been performed. Chi-Square test for handling
categorical data is being used for feature selection. For model fitting, the
method used in this approach is K-modes clustering. The empirical results
demonstrate a better result while using the MNB classifier. All key findings of
this work have achieved 0.90 accuracy, 0.81 precision, 0.91 F-score, and 0.90
recall. The discussion suggests a provident analysis of the seven clusters and
predicts their occurrence. The results have been consolidated to improve the
Ayurvedic advancements with machine learning.
- Abstract（参考訳）: 人体に対するプラクリティ型の識別は、人間の性質と行動との調和を見つけるための、長期にわたる医療実践である。
基本的なプラクリティのタイプは3種類ある。
人はどのドシャにも属すことができます。
既存のモデルでは、研究者はsvm、kn、pca、決定木、その他様々なアルゴリズムを利用している。
これらのアルゴリズムの出力は極めて良好であったが、Multinomial Naive BayesとK-modesクラスタリングの助けを借りて拡張することができる。
ほとんどの研究者は3つの基本クラスに限定している。
これは、オーバーラップする可能性がある現実世界のシナリオでは正確ではないかもしれない。
これらを踏まえて、ドーシャの重複を含む7つのカテゴリに分類した。
これらは、VATT-Dosha、PITT-Dosha、KAPH-Dosha、VATT-PITT-Dosha、PITT-KAPH-Dosha、KAPH-VATT-Dosha、VATT-PITT-KAPH-Doshaである。
使用するデータは、機械学習の前処理ステップが実行された個々のエントリのバランスのとれたセットを含む。
カテゴリデータを扱うChi-Squareテストは、機能選択に使用されている。
モデルフィッティングでは、このアプローチで使われる方法はkモードクラスタリングである。
実験結果はMNB分類器を用いてより良い結果を示した。
この研究の重要な発見はすべて 0.90 の精度、 0.81 の精度、 0.91 のf-score、 0.90 のリコールを達成した。
この議論は7つのクラスターのプロビデント分析を示唆し、その発生を予測している。
結果は統合され、機械学習によるayurvedicの進歩が改善された。
関連論文リスト
- Automated dermatoscopic pattern discovery by clustering neural network
output for human-computer interaction [0.39462888523270856]
本研究の目的は、人間の解釈可能なパターン発見をもたらす自動クラスタリングを作ることである。
7つの一般的な色素性皮膚病変診断を含むHAM10000データセットの画像は、29420タイルにタイル化され、k-meansを介してクラスタ化されました。
論文 参考訳（メタデータ） (2023-09-15T16:50:47Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - SSL-CPCD: Self-supervised learning with composite pretext-class
discrimination for improved generalisability in endoscopic image analysis [3.1542695050861544]
深層学習に基づく教師付き手法は医用画像解析において広く普及している。
大量のトレーニングデータと、目に見えないデータセットに対する一般的な問題に直面する必要がある。
本稿では,加法的角マージンを用いたパッチレベルのインスタンスグループ識別とクラス間変動のペナル化について検討する。
論文 参考訳（メタデータ） (2023-05-31T21:28:08Z) - End-to-End Zero-Shot HOI Detection via Vision and Language Knowledge
Distillation [86.41437210485932]
我々は、ゼロショットHOI検出を前進させ、同時に見えないHOIと見えないHOIの両方を検出することを目指している。
本稿では,視覚言語による知識蒸留によるエンドツーエンドのゼロショットHOI検出フレームワークを提案する。
本手法は, 従来のSOTAを8.92%, 全体の10.18%で上回っている。
論文 参考訳（メタデータ） (2022-04-01T07:27:19Z) - PCA-RF: An Efficient Parkinson's Disease Prediction Model based on
Random Forest Classification [3.6704226968275258]
本稿では,パーキンソン病に対する無作為な森林分類を行う病気予測手法を提案する。
このモデルの精度を主成分分析 (PCA) に適用したニューラルネットワーク (ANN) モデルと比較し, 可視差を捉えた。
モデルの精度は最大90%まで向上した。
論文 参考訳（メタデータ） (2022-03-21T18:59:08Z) - The Severity Prediction of The Binary And Multi-Class Cardiovascular
Disease -- A Machine Learning-Based Fusion Approach [0.0]
近年、CVD(心臓血管疾患)が世界中で死因となっている。
本研究はCVDの重症度とともに診断するためにいくつかの融合モデルを構築したものである。
マルチクラス分類の精度が最も高かったのは75%であり,2進法では95%であった。
論文 参考訳（メタデータ） (2022-03-09T18:06:24Z) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳（メタデータ） (2021-07-23T06:37:38Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - A Fast Algorithm for Heart Disease Prediction using Bayesian Network
Model [0.0]
データマイニングは、医療部門から利用可能なデータから貴重な知識を取得するのに役立つ。
これは、臨床実験よりも速い患者の健康状態を予測するためのモデルをトレーニングするのに役立ちます。
Logistic Regression, K-Nearest Neighbor, Naive Bayes (NB), Support Vector Machineなど,さまざまな機械学習アルゴリズムの実装。
クリーブランド心臓データセットに適用されています。
論文 参考訳（メタデータ） (2020-12-17T07:42:40Z)
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。