Approche d'apprentissage automatique et prédictions des maladies cardiaques
Une analyse complète
Versandkostenfrei!
Versandfertig in 6-10 Tagen
29,99 €
inkl. MwSt.
PAYBACK Punkte
15 °P sammeln!
L'apprentissage automatique est utilisé dans de nombreux domaines à travers le monde. Le secteur des soins de santé n'est pas en reste. L'apprentissage automatique peut jouer un rôle essentiel dans la prédiction de la présence ou de l'absence de troubles locomoteurs, de maladies cardiaques, etc. De telles informations, si elles sont prédites bien à l'avance, peuvent fournir des intuitions importantes aux médecins qui peuvent alors adapter leur diagnostic et leur traitement en fonction du patient. Nous travaillons sur la prédiction des maladies cardiaques possibles chez les personnes ...
L'apprentissage automatique est utilisé dans de nombreux domaines à travers le monde. Le secteur des soins de santé n'est pas en reste. L'apprentissage automatique peut jouer un rôle essentiel dans la prédiction de la présence ou de l'absence de troubles locomoteurs, de maladies cardiaques, etc. De telles informations, si elles sont prédites bien à l'avance, peuvent fournir des intuitions importantes aux médecins qui peuvent alors adapter leur diagnostic et leur traitement en fonction du patient. Nous travaillons sur la prédiction des maladies cardiaques possibles chez les personnes à l'aide d'algorithmes d'apprentissage automatique. Dans ce projet, nous effectuons une analyse comparative des classificateurs tels que l'arbre de décision, Naïve-Bayes, la régression logistique, SVM et Random Forest et nous proposons un classificateur d'ensemble qui effectue une classification hybride en prenant des classificateurs forts et faibles puisqu'il peut avoir un nombre multiple d'échantillons pour la formation et la validation des données. Nous effectuons donc l'analyse des classificateurs existants et des classificateurs proposés comme Ada-boost et XG-boost qui peuvent donner une meilleure précision et une analyse prédictive.
Andere Kunden interessierten sich für
