文献

J-GLOBAL ID：201702262679897790   整理番号：17A0142853

インテリジェント健康リスク予測のためのマルチラベル分類【Powered by NICT】

Multi-label classification for intelligent health risk prediction

著者 (5件)： Runzhi Li (Cooperative Innovation Center of Internet Healthcare, Zhengzhou University, China 450000) ,  Hongling Zhao (Cooperative Innovation Center of Internet Healthcare, Zhengzhou University, China 450000) ,  Yusong Lin (Cooperative Innovation Center of Internet Healthcare, Zhengzhou University, China 450000) ,  Maxwell Andrew (School of Computing, University of Southern Mississippi, USA) ,  Chaoyang Zhang (School of Computing, University of Southern Mississippi, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： BIBM  ページ： 986-993  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： マルチラベル問題変換結合分類(MLPTJC)法は,身体検査記録に基づく健康と疾患リスク予測のためのマルチラベル分類問題を解決するために開発した。マルチラベル分類問題を変換多クラス分類問題への多クラス分類問題変換法を採用した。そこで,不均衡学習問題を扱うためにまれなラベル集合を低減するための共同分解サブセット分類器法を提案した。MLPTJCに基づいて,既存のコスト高感度マルチクラス分類アルゴリズムは予測モデルを訓練するために使用することができる。MLPTJC法の性能を評価するためにいくつかの実験を行った。サポートベクトルマシン(SVM)とランダムフォレスト(RF)アルゴリズムは,多クラス分類学習に使用されている。性能を評価するために平均精度,精度,再現率およびF値など10倍交差検証法と計量法を使用している。実際の物理的検査記録を用いたが,これは62検査項目と110ppm,300ppm匿名患者を含んでいる。8型の疾患を予測した。実験結果はMLPTJC法は精度の点で優れた性能を持つことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 部分集合 ,  予測モデル ,  患者 ,  サポートベクトルマシン ,  学習 ,  *交差検証法
準シソーラス用語： F値 ,  再現率 ,  ランダムフォレスト ,  分類アルゴリズム ,  多クラス分類 ,  *危険予測 ,  *健康 ,  *マルチラベル分類 ,  *健康リスク , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： リスク予測 ,  マルチラベル分類