初期段階における慢性腎臓病(CKD)の検出:異なるML技術のための新しいハイブリッド特徴選択法とロバストなデータ準備パイプライン【JST・京大機械翻訳】

Tusar Md. Taufiqul Haque Khan; Islam Md. Touhidul; Raju Foyjul Islam

プレプリント

J-GLOBAL ID：202202217484199691 整理番号：22P0298044

初期段階における慢性腎臓病(CKD)の検出:異なるML技術のための新しいハイブリッド特徴選択法とロバストなデータ準備パイプライン【JST・京大機械翻訳】

Detecting Chronic Kidney Disease(CKD) at the Initial Stage: A Novel Hybrid Feature-selection Method and Robust Data Preparation Pipeline for Different ML Techniques

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月02日プレプリントサーバーでの情報更新日： 2022年03月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

慢性腎臓病(CKD)は世界中の約800百万人に感染している。およそ1.7百万の人々は,そのために毎年死んだ。初期段階におけるCKDの検出は,数百万の生命を節約するために不可欠である。多くの研究者は,初期段階でCKDを検出する異なる機械学習(ML)法を適用しているが,詳細な研究はなお欠けている。著者らは,最適性能を有する医療データの複雑性を扱うための構造化で完全な方法を提示する。さらに,本研究は,医療データ準備パイプラインに関する明確なアイデアを作り出す研究者を支援するであろう。本論文では,KNN Imputationを適用して,欠測値,異常値を除去する局所異常値因子,データ不均衡を処理するためのSMOTE,MLモデルの検証のためのK-層化K-折り畳み交差検証法,および冗長特徴を除去する新しいハイブリッド特徴選択法を適用した。本研究における適用アルゴリズムは,サポートベクトルマシン,Gauss Naive Bayes,ディシジョンツリー,ランダムフォレスト,ロジスティック回帰,K-最近傍,勾配ブースティング,適応ブースティング,および極端勾配ブースティングである。最後に,ランダムフォレストは,データ漏洩なしで100%の精度でCKDを検出することができる。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

泌尿生殖器疾患の治療一般

, , , , , , ,

前のページに戻る