論文の概要: Evaluating The Accuracy of Classification Algorithms for Detecting Heart Disease Risk

• arxiv url: http://arxiv.org/abs/2312.04595v1
• Date: Wed, 6 Dec 2023 06:41:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 17:41:37.430437
• Title: Evaluating The Accuracy of Classification Algorithms for Detecting Heart Disease Risk
• Title（参考訳）: 心臓病リスク検出のための分類アルゴリズムの精度評価
• Authors: Alhaam Alariyibi, Mohamed El-Jarai and Abdelsalam Maatuk
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The healthcare industry generates enormous amounts of complex clinical data that make the prediction of disease detection a complicated process. In medical informatics, making effective and efficient decisions is very important. Data Mining (DM) techniques are mainly used to identify and extract hidden patterns and interesting knowledge to diagnose and predict diseases in medical datasets. Nowadays, heart disease is considered one of the most important problems in the healthcare field. Therefore, early diagnosis leads to a reduction in deaths. DM techniques have proven highly effective for predicting and diagnosing heart diseases. This work utilizes the classification algorithms with a medical dataset of heart disease; namely, J48, Random Forest, and Na\"ive Bayes to discover the accuracy of their performance. We also examine the impact of the feature selection method. A comparative and analysis study was performed to determine the best technique using Waikato Environment for Knowledge Analysis (Weka) software, version 3.8.6. The performance of the utilized algorithms was evaluated using standard metrics such as accuracy, sensitivity and specificity. The importance of using classification techniques for heart disease diagnosis has been highlighted. We also reduced the number of attributes in the dataset, which showed a significant improvement in prediction accuracy. The results indicate that the best algorithm for predicting heart disease was Random Forest with an accuracy of 99.24%.
• Abstract（参考訳）: 医療産業は、疾患検出の予測を複雑なプロセスにする膨大な量の複雑な臨床データを生成する。 医療情報学では、効果的かつ効率的な意思決定が重要である。 データマイニング(dm)技術は主に、医療データセット内の疾患を診断し予測するために、隠れたパターンと興味深い知識を識別し抽出するために使用される。 現在、心臓病は医療分野で最も重要な問題の一つと考えられている。 そのため、早期診断は死亡率の低下につながる。 DM技術は心臓疾患の予測と診断に非常に効果的であることが証明されている。 本研究は、心臓病の医学的データセット(j48、ランダムフォレスト、na\"ive bayes)を用いた分類アルゴリズムを用いて、その性能の正確性を明らかにする。 また,特徴選択手法の効果についても検討した。 Waikato Environment for Knowledge Analysis (Weka) ソフトウェア(バージョン3.8.6)を用いて最適な技術を決定するための比較分析研究を行った。 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。 心臓疾患診断における分類法の重要性が注目されている。 また,データセット内の属性数も減少し,予測精度が大幅に向上した。 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った。

関連論文リスト

• Predicting Coronary Heart Disease Using a Suite of Machine Learning Models [0.1979158763744267]
  冠動脈疾患は世界中で何百万人もの人に影響を与えており、医療の分野としてよく研究されている。 心臓病の診断と予測には実用的かつ正確な方法が数多く存在するが、侵襲性、遅延検出、コストといった限界がある。 機械学習アルゴリズムによる教師付き学習は、早期診断の先駆けとなる、低コスト(コンピュータによる)非侵襲的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-21T19:22:41Z)
• 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)
• 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)
• 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)
• 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)
• Analyzing the impact of feature selection on the accuracy of heart disease prediction [0.5249805590164902]
  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。
  論文  参考訳（メタデータ） (2022-06-07T12:51:37Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。