May, 2023

不同超参数调整的机器学习算法改进模型集成应用于胎儿健康预测

PDF
TL;DR本研究提出了一个名为 ETSE 的强大的集成模型，通过人工智能的使用和机器学习技术的应用，实现了对胎儿健康的准确、高效、快速预测，具有 100％的精度、100％的召回率、100％的 F1 分数和 99.66％的精度，将有助于及时干预并改善母婴的预后，对胎儿健康进行有效预测。
发现论文，激发创造
  • 基于机器学习的胎儿健康数据分析分类方法

    使用机器学习模型对胎儿健康进行分类分析，评估了不同模型的分类性能，并实施了降维技术以提高分类性能，其中 TabNet 模型在一个胎儿健康数据集上实现了 94.36% 的分类准确率。

    Nov, 2023

  • 揭开未出生婴儿的面纱：通过机器学习推进胎儿健康分类

    采用机器学习方法和综合评估的方法，该研究提出了一种新的胎儿健康分类模型，以胎儿心率、子宫收缩和孕妇血压等多种特征为综合评估指标，实现了更客观和准确的胎儿健康评估。这一研究在产科领域有重大影响，为早期检测和干预胎儿健康问题奠定了基础，预期将为孕妇和婴儿提供更好的医疗结果。

    Sep, 2023

  • 一种改进的基于堆叠集成方法的心脏病预测

    本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

    Apr, 2023

  • 将基于机器学习的早期败血症检测扩展到不同人群

    本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集，对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

    Nov, 2023

  • 发挥额外决策树特征选择和随机森林分类器的潜力，提高心力衰竭患者生存预测效果

    利用数据预处理技术和 Extra-Tree 特征选择方法结合 Random Forest 分类器，提高心衰患者生存预测准确性。采用 UCL 心衰生存数据集进行特征选择和调优，获得了 98.33% 的最高准确率。

    Aug, 2023

  • 智能决策支持集成投票模型用于智能医疗监测环境下冠状动脉疾病预测

    利用机器学习的集成方法在智能医疗监测系统中设计出一种电子诊断工具来诊断冠心病，结果表明集成分类器中的多层感知机、随机森林和 AdaBoost 是最优的，达到了 88.12% 的准确率，而且比其他所有分类器都表现更好。

    Oct, 2022

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023

  • 癫痫发作预测的比较分析：探索多样的预处理技术和机器学习模型

    应用机器学习模型对脑电图数据进行比较分析，发现 Extra Trees 模型表现最佳，在癫痫发作预测方面具有更准确和稳健的性能。

    Aug, 2023

  • 基于集成的贝叶斯神经网络和传统机器学习算法的混合优化

    通过将贝叶斯神经网络与传统机器学习算法（如随机森林、梯度提升、支持向量机）协同集成的一种新方法，强调了特征集成在优化中的重要性，包括优化的二阶条件，如哈西矩阵的定态性和正定性。与此相反，超参数调整对于改善预期改进（EI (x)）的影响有所削弱。总体而言，集成方法作为一种稳健的、算法优化的方法表现出色。

    Oct, 2023

  • 基于多种机器学习和深度学习方法的电子病历数据对患者病情状态的分类

    研究使用多种机器学习和深度学习方法，通过对患者的电子病历进行分类，对患者的病情进行评估，并发现在监督和非监督算法中，超参数调整的随机森林表现最好，而分层聚类和高斯混合模型的表现也颇为出色。

    Sep, 2022