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。
特定クラスに適合する可能性が高いことをこのような逆分類は,例えばを操作するプロセスである。このような問題を解決する過去の方法は欠点を持っている。欲張り法は過度にラジカル変化を,しばしばは厳密に離散データに依存する。他の方法は,あるデータ点,の存在は保証できないに依存している。本論文では,これらと他の限界を克服する一般的な枠組みと方法を提案した。法の定式化は,微分可能分類関数を使用することができる。ロジスティック回帰とGaussカーネルSVMを用いて方法を実証した。が実際に変化させることができるという特徴,その各々が個々のコストを招くに発生する逆分類を制約している。累積変化(収支)の一定レベル内に収まることをこのような変化を提示した。筆者らの枠組はまたその値を作用の結果として変化(間接的に可変)特徴の推定を受け入れることができる。さらに,種々のアルゴリズム挙動をもたらす特徴値範囲を特定するための二つの方法を提案した。二自由に利用できるデータセットに提案手法を適用し,提案した感度解析に基づくベンチマーク法:学生の成績UCI機械学習リポジトリと実世界心血管疾患データセット。得られた結果は,提案フレームワークと方法の有効性と利点を実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】