文献

J-GLOBAL ID：202102248834689951   整理番号：21A0986755

機械学習アルゴリズムを用いた慢性腎臓病の予測方法の最適化【JST・京大機械翻訳】

Optimization of Prediction Method of Chronic Kidney Disease Using Machine Learning Algorithm

著者 (6件)： Ghosh Pronab (Daffodil International University,Department of Computer Science & Engineering,Dhaka,Bangladesh) ,  Javed Mehedi Shamrat F. M. (Daffodil International University,Department of Software Engineering,Dhaka,Bangladesh) ,  Shultana Shahana (Daffodil International University,Department of Computer Science & Engineering,Dhaka,Bangladesh) ,  Afrin Saima (Daffodil International University,Department of Computer Science & Engineering,Dhaka,Bangladesh) ,  Anjum Atqiya Abida (Daffodil International University,Department of Computer Science & Engineering,Dhaka,Bangladesh) ,  Khan Aliza Ahmed (Daffodil International University,Department of Computer Science & Engineering,Dhaka,Bangladesh)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： iSAI-NLP  ページ： 1-6  発行年： 2020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： 慢性腎臓病(CKD),遅発および後期診断疾患は,今日,医療部門における死亡率の最も重要な問題の1つである。この重要な問題に基づいて,多くの男性と女性は,現在,早期スクリーニングシステムの欠如および毎年適切な治療により苦しんでいる。しかし,患者の生活は,初期段階で疾患の迅速検出で保存できる。さらに,機械学習アルゴリズムの評価プロセスは,信頼できるデータセットで,この死んだ病気の段階を非常に速く検出できる。本論文では,予測の高度に正確な結果を得るために,サポートベクトルマシン(henceforth SVM),AdaBoost(henceforth AB),線形判別分析(henceforth LDA),および勾配ブースティング(henceforth GB)のような4つの信頼できるアプローチに基づいて,全体の研究を行った。これらのアルゴリズムをUCI機械学習リポジトリのオンラインデータセットに実装した。最高の予測可能な精度は,約99.80%の精度である勾配ブースティング(GB)分類器から得られた。その後,異なる性能評価メトリックスも,適切な結果を示すために示された。最後に,提案したジョブのための最も効率的で最適化されたアルゴリズムを,これらのベンチマークに依存して選択することができた。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *予測技法 ,  *アルゴリズム ,  *最適化 ,  死亡率 ,  ベンチマーク ,  性能評価 ,  *機械学習 ,  *学習アルゴリズム ,  リポジトリ ,  サポートベクトルマシン ,  *慢性腎臓病
準シソーラス用語： ブースティング ,  メトリックス ,  オンライン ,  線形判別分析 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 機械学習 ,  アルゴリズム ,  慢性腎臓病 ,  予測方法 ,  最適化