抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
老年欝病は高齢者における疾患流行が認められる。低機能,活動への関心の減少,不眠症や過眠,疲労及び活力低下と観測可能な精神運動撹はんまたは遅延の典型的な症状を特徴とする。データマイニング分析に基づく医療情報学の観点から高齢者うつ病を予測する目的で存在する多くの研究。しかし,スタッキング機構の性能に関する研究強調,アンサンブル分類器の一つであるされていない。そのため,本研究は,2010年から2015年までの範囲のKorea NationalH ealth and Nutrition Examination Survey(KNHANES)から老人抑鬱関連データセットを予測するためのスタッキング法の性能の調査と関連する。KNHANESは1998年以来韓国人の健康と栄養状態を評価することを目的とした国家監視システムの公的に利用可能な大きなデータセットである。調査試料として毎年約10,000人を含めた全国的に代表的な横断的調査である。韓国人高齢者における高齢者うつ病(2010 2015)に関する9,089のデータセットを用いて,基準面学習とメタレベル学習者における五分類器(即ち,LR,DT,NN,SVM,NBN)を組み合わせるとき,本研究はスタッキング機構の性能の変化を分析した。レベル学習者は比較的簡単である場合の精度とAUCで測定されたスタッキング機構の性能は,よりロバストなパターンを示した(LR,DT),メタレベル学習者はかなり複雑である(NBN,NN,SVMのような)。具体的には,特徴選択の前に,LR(SVM)は基底の学習者は,LRであり,メタレベル学習者がSVMであることを示した積層性能を精度0.8624と非常に競合した。特徴選択後,DT(NN),積層性能は精度0.8643で最良であった。AUCを用いて,同様の結果が特徴選択後得られた即ち,特徴選択前0.8182LR(NN),とLR(NBN)は0.8147であった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
