Optimization of heart disease prediction by improving machine learning results without need more data
Başlık çevirisi mevcut değil.
- Tez No: 671662
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kardiyologların kalp hastalığının% 80'ini doğru bir şekilde tahmin edebildiği biliniyor, ancak eksik olan% 20 Yapay zekanın yardımcı olabileceği yerlerde, yüksek doğruluk elde etme sorunu, ortaya çıkan zorluklardan biridir. makine öğrenimi tekniklerini kullanarak kalp hastalığı tahmin alanındaki herhangi bir geliştiriciyle yüzleşmek, ancak bazen istedikleri türden veriler oldukça maliyetli olabilir veya elde edilmesi zor olabilir. bu araştırma, makine öğrenimi algoritmasını geliştirmeye çalışan yöntemlerden birine odaklanıyor Makinede Hyperparameters optimizasyonunu kullanarak daha fazla veri almaya gerek kalmadan Physionet2017 veri kümesinden elde edilen EKG verilerini sınıflandırmak için öğrenme teknolojisi üç hastalık sınıfı (ARR, CHR, NSR), önerilen yöntemin sınıflandırma doğruluğunda artması (% 88,3), Makine Öğreniminde Hyperparameters optimizasyonunu kullanmaya gerek kalmadan kullandıktan sonra yeni veriler almak.
Özet (Çeviri)
It is known that cardiologists can accurately predict 80% of heart disease, but the missing 20% is where AI can help, the problem of achieving high accuracy is one of the challenges that are facing any developer in the heart disease prediction field by using machine learning techniques, but sometimes the kind of data they want can be quite costly or it might be hard to come by, so this research spotlight on one of the methods that try to enhance machine learning algorithm without the need of getting more data by using Hyperparameters optimization in Machine Learning technology to classify the ECG data that got it from the physionet2017 dataset with three disease class (ARR, CHR, NSR), the proposed method increased in classification accuracy (88.3%) after using Hyperparameters optimization in Machine Learning without the need of getting new data.
Benzer Tezler
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY
- Input-output modeling for Ankara water supply system
Ankara su temini sistemi için girdi-çıktı modellemesi
MEHMET GÜRSOY
Yüksek Lisans
İngilizce
1987
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. DOĞAN ALTINBİLEK
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEVZAT YILDIRIM
- Helisel yayların statik karakteristiklerini ölçme ve kontrol etme cihazının tasarımı ve imalatı
Design and manufacture of a device measuringand controlling the static characteristics of helical springs
MUAMMER MUSULLUOĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN