論文の概要: A Framework for Selection of Machine Learning Algorithms Based on Performance Metrices and Akaike Information Criteria in Healthcare, Telecommunication, and Marketing Sector

• arxiv url: http://arxiv.org/abs/2510.00321v1
• Date: Tue, 30 Sep 2025 22:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.277166
• Title: A Framework for Selection of Machine Learning Algorithms Based on Performance Metrices and Akaike Information Criteria in Healthcare, Telecommunication, and Marketing Sector
• Title（参考訳）: 医療・通信・マーケティング分野におけるパフォーマンス指標と赤掛情報基準に基づく機械学習アルゴリズムの選択フレームワーク
• Authors: A. K. Hamisu, K. Jasleen,
• Abstract要約: この章では、医療、マーケティング、通信の3分野にわたる機械学習の応用について論じる。 医療において、この枠組みは、心臓血管疾患の予測のような重要な課題に対処し、世界的死亡の28.1%を占める。 重要なコントリビューションは、入力属性に従って最高のMLモデルを特定するレコメンデーションフレームワークである。
• 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 exponential growth of internet generated data has fueled advancements in artificial intelligence (AI), machine learning (ML), and deep learning (DL) for extracting actionable insights in marketing,telecom, and health sectors. This chapter explores ML applications across three domains namely healthcare, marketing, and telecommunications, with a primary focus on developing a framework for optimal ML algorithm selection. In healthcare, the framework addresses critical challenges such as cardiovascular disease prediction accounting for 28.1% of global deaths and fetal health classification into healthy or unhealthy states, utilizing three datasets. ML algorithms are categorized into eager, lazy, and hybrid learners, selected based on dataset attributes, performance metrics (accuracy, precision, recall), and Akaike Information Criterion (AIC) scores. For validation, eight datasets from the three sectors are employed in the experiments. The key contribution is a recommendation framework that identifies the best ML model according to input attributes, balancing performance evaluation and model complexity to enhance efficiency and accuracy in diverse real-world applications. This approach bridges gaps in automated model selection, offering practical implications for interdisciplinary ML deployment.
• Abstract（参考訳）: インターネットが生成するデータの指数関数的な成長は、人工知能(AI)、機械学習(ML)、ディープラーニング(DL)の進歩を加速させ、マーケティング、テレコム、健康分野における実用的な洞察を抽出した。 この章では、医療、マーケティング、通信という3つの領域にわたるMLアプリケーションについて論じ、最適なMLアルゴリズム選択のためのフレームワークの開発に重点を置いている。 医療において、この枠組みは、心臓血管疾患の予測のような重要な課題に対処し、3つのデータセットを用いて、世界的死亡の28.1%を占め、胎児の健康を健康状態または不健康な状態に分類する。 MLアルゴリズムは、データセット属性、パフォーマンス指標(精度、精度、リコール)、およびAkaike Information Criterion(AIC)スコアに基づいて選択された、熱心で怠慢でハイブリッドな学習者に分類される。 検証には、3つのセクターから8つのデータセットが使用される。 重要なコントリビューションは、入力属性に従って最高のMLモデルを特定し、パフォーマンス評価とモデルの複雑さをバランスさせて、さまざまな現実世界のアプリケーションにおける効率性と正確性を高める、レコメンデーションフレームワークである。 このアプローチは、自動モデル選択のギャップを埋め、学際的なMLデプロイメントに実用的な意味を提供する。

関連論文リスト

• Does Machine Unlearning Truly Remove Model Knowledge? A Framework for Auditing Unlearning in LLMs [58.24692529185971]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• Data Requirement Goal Modeling for Machine Learning Systems [2.4140502941897544]
  本研究は,機械学習システムにおけるデータ要件の特定において,非専門家を導くアプローチを提案する。 我々はまず,白書を調査し,データ要求目標モデル(DRGM)を開発した。 次に、実世界のプロジェクトに基づいた2つの実証的な例を通して、このアプローチを検証する。
  論文  参考訳（メタデータ） (2025-04-10T11:30:25Z)
• Enhancing Machine Learning Performance through Intelligent Data Quality Assessment: An Unsupervised Data-centric Framework [0.0]
  不適切なデータ品質は機械学習(ML)の有利なパワーを制限する 本稿では,高品質なデータを特定し,MLシステムの性能を向上させるインテリジェントなデータ中心評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T18:01:36Z)
• Health AI Developer Foundations [18.690656891269686]
  Health AI Developer Foundations(HAI-DEF)は、トレーニング済み、ドメイン固有の基礎モデル、ツール、レシピのスイートで、ヘルスアプリケーションのための機械学習の構築を加速する。 モデルは、放射線学(X線とCT)、病理学、皮膚画像、オーディオなど、様々なモダリティや領域をカバーする。 これらのモデルは、ラベル付きデータが少なく、トレーニング時間が短く、計算コストが削減されたAI開発を容易にする、ドメイン固有の埋め込みを提供する。
  論文  参考訳（メタデータ） (2024-11-22T18:51:51Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。