izpis_h1_title_alt

Napovedovanje ishemije iz simuliranih podatkov
KOREN, JAKA (Avtor), Kononenko, Igor (Mentor) Več o mentorju... Povezava se odpre v novem oknu, Robnik Šikonja, Marko (Komentor)

.pdfPDF - Predstavitvena datoteka, prenos (697,58 KB)

Izvleček
V diplomskem delu smo raziskovali možnosti uporabe metod strojnega učenja v napovedovanju ishemičnih šokov na podlagi meritev elektrod iz simulacije EKG. Zanimala nas je klasifikacijska točnost pri napovedovanju samih šokov, napovedovanju območja v srcu, kjer se je šok zgodil, ter možnost zmanjšanja števila elektrod, potrebnih za uspešno zaznavanje šokov. Na simuliranih podatkih meritev elektrod smo preizkusili naključne gozdove, metodo podpornih vektorjev ter metodo gradientnega pospeševanja in merili njihovo klasifikacijsko točnost. Nato smo z njimi iskali optimalne podmnožice atributov po metodi ovojnice. Poleg tega smo primerjali uspešnost tega pristopa z metodo filtriranja na podlagi ocen pomembnosti atributov. Odkrili smo, da izbrane metode dosegajo dobre rezultate na obeh stopnjah in da klasifikacijska točnost ostaja visoka tudi pri mnogo manjših podmnožicah atributov. Metoda podpornih vektorjev s pomočjo ovojnice dosega najvišjo točnost, glede izbora atributov pa ovojnica pri zelo majhnih izborih atributov dosega boljše rezultate kot filtriranje.

Jezik:Slovenski jezik
Ključne besede:strojno učenje, napovedovanje, ishemija, klasifikacija, naključni gozdovi, SVM, gradientno pospeševanje
Vrsta gradiva:Diplomsko delo/naloga (mb11)
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2018
Število ogledov:231
Število prenosov:149
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
 
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
:
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Prediction of Ischemia on simulated data
Izvleček:
The thesis explores the machine learning approaches for ischemia prediction based on ECG electrode data. We were interested in classification accuracy at prediction of ischemia, prediction of pathological zones in heart, and possibility of reducing the number of atributes neccesary for successful detection. We used simulated data to train and test random forests, support vector machines and gradient boosting. We used these approaches to determine optimal attribute subsets using a wrapper approach, and compared how well methods perform on subsets of various sizes. We also compared the performance of our wrapper approach with a filter-based feature selection approach. Results show high classification accuracy of all methods, even on small attribute subsets. Wrapper assisted support vector machines outperform other methods, and wrapper achieves better results than filtering on small-sized subsets.

Ključne besede:machine learning, prediction, ischemia, classification, random forests, SVM, gradient boosting

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj