리디션 예측에 사용되는 기계 학습 분류기 개요
저자 :
(1) Isfahan University of Technology의 전기 및 컴퓨터 공학 학교 인 Rasoul Samani 와이 저자는이 작업에 똑같이 기여했습니다.
(2) Mohammad Dehghani, 테헤란 테헤란 대학교 전기 및 컴퓨터 공학 학교,이란 테헤란,이 저자는이 작품에 동등하게 기여했습니다 ([email protected]);
(3) Isfahan University of Technology의 전기 및 컴퓨터 공학 학교 Fahime Shahrokh.
링크 표
초록 및 1. 소개
2. 관련 작품
3. 방법론 및 3.1 데이터
3.2 데이터 전처리
3.3. 예측 모델
4. 평가
4.1. 평가 지표
4.2. 결과와 토론
5. 결론과 참고 문헌
3.3. 예측 모델
이 연구에서는 예측 모델을 생성하기 위해 여러 데이터 마이닝 알고리즘 및 딥 러닝이 사용되었습니다.
로지스틱 회귀 : 통계 기술인 로지스틱 회귀 분석은 이진 분류 작업, 특히 질병 상태 (병든 또는 건강) 및 의사 결정 시나리오 (예 또는 아니오)에 중점을 둔 건강 과학 연구에서 광범위한 사용을 발견합니다. [38].
임의의 숲 : 랜덤 포레스트는 수많은 의사 결정 트리로 구성된 구조를 활용하며, 각 트리의 예측을 결합하여 변수의 값을 예측합니다. [39].
Knn: KNN은 교육 데이터에서 가장 가까운 샘플의 값을 활용하여 주어진 샘플의 범주 또는 값을 결정하는 모델입니다. [40].
SVM: SVM을 사용하면 데이터가 데이터 포인트와 하이퍼 플레인 사이의 여백을 최대화하기 위해 분리 된 고차원 기능 공간으로 변환되어 효과적으로 별개의 클래스로 묘사합니다. [41]. 이 프로세스는 피처 공간의 다른 클래스 간의 명확한 경계를 보장하여 보이지 않는 데이터로 일반화하는 모델의 능력을 향상시켜 강력한 분류를 용이하게합니다.
가우스 순진한 베이 : Naive Bayes는 Bayes의 정리를 사용하여 특정 레이블에 속하는 주어진 기능 세트의 확률을 추정하는 확률 론적 분류기입니다. A와 B의 개별 확률과 이벤트 B의 조건부 확률을 고려할 때 발생하는 이벤트 A의 조건부 확률을 계산합니다.이 접근법은 기능이 독립적이라고 가정합니다. [42]. 가우스의 순진한 베이 에스는 가우스 분포를 따르는 기능을 가정하는 순진한 베이 스 분류기의 변형입니다.
이러한 다양한 알고리즘을 사용함으로써,이 연구는 환자 재 입원률을 예측하고 주어진 데이터 세트 및 연구 목표에 가장 적합한 접근법을 식별하는 데있어 효과를 탐구하는 것을 목표로합니다.
Post Comment