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。
普及したヘルスケアモニタリングシステムの分野における最近の進歩は,リアルタイムで膨大な量のライフログデータの発生を引き起こす。慢性疾患は,発展途上国および先進国における最も重大な健康課題の1つである。WHOによると,これは全死亡の73%と疾患の全体的負担の60%を占める。慢性疾患分類モデルは,現在,より良い健康管理実践を探索するためのライフログデータの可能性を利用している。本論文は,慢性疾患を分類するための最適特徴選択ベースの教師なしロジスティック回帰モデル(OFS-ULR)を構築することである。ライフログデータ解析は,その敏感な性質のため重要である。したがって,従来の分類モデルは限られた性能を示した。したがって,ライフログデータを用いた慢性疾患の分類のための新しい分類器の設計は,年齢の必要性である。良いモデルの構築の不可欠な部分は,データセットの前処理,重要な特徴を同定し,次に,より良い性能のために適切なハイパーパラメータを有する学習アルゴリズムを訓練することである。提案手法は,(i)冗長または無効インスタンスの除去,(ii)クラスタリングを用いてラベル付けされたデータを作成し,クラスにデータを分割し,(iii)いくつかのドメイン知識または選択アルゴリズム,(iv)いくつかのドメイン知識または選択アルゴリズムの適用による特徴の適切な部分集合の同定,(iii)モデルに対するハイパーパラメータチューニング,および(v)スパークストリーミング環境を用いた性能評価,といった一連のステップを用いた既存の方法の性能を改善した。この目的のために,2時系列データセットを用いて,精度,再現率,精度およびf1スコアを計算した。実験解析は,従来の分類器と比較して,提案した方法の適切性を証明し,そして,著者らの新しく構築したモデルは,すべての間で最も高い精度を達成して,訓練複雑性を減らした。【JST・京大機械翻訳】