Andere Kunden interessierten sich auch für
![Selecção Sintomas importantes para conjuntos de dados médicos]( "Selecção Sintomas importantes para conjuntos de dados médicos")
Selecção Sintomas importantes para conjuntos de dados médicos23,99 €![Selection Important Symptoms for Medical Datasets]( "Selection Important Symptoms for Medical Datasets")
Selection Important Symptoms for Medical Datasets23,99 €![Sélection des symptômes importants pour les ensembles de données médicales]( "Sélection des symptômes importants pour les ensembles de données médicales")
Sélection des symptômes importants pour les ensembles de données médicales23,99 €![Selezione di sintomi importanti per i set di dati medici]( "Selezione di sintomi importanti per i set di dati medici")
Selezione di sintomi importanti per i set di dati medici23,99 €![Vybor wazhnyh simptomow dlq medicinskih naborow dannyh]( "Vybor wazhnyh simptomow dlq medicinskih naborow dannyh")
Vybor wazhnyh simptomow dlq medicinskih naborow dannyh13,99 €![Software-Prüfung]( "Software-Prüfung")
Software-Prüfung39,90 €![Auswahl eines ERP-Systems in kleinen und mittelständischen Unternehmen]( "Auswahl eines ERP-Systems in kleinen und mittelständischen Unternehmen")
Auswahl eines ERP-Systems in kleinen und mittelständischen Unternehmen49,90 €
Die Auswahl optimaler Merkmale ist ein wichtiges Forschungsgebiet im Bereich medizinischer Data-Mining-Systeme. In dieser Forschungsarbeit stellen wir ein effizientes Verfahren zur Auswahl von Teilmengen von Merkmalen, zur Einstufung von Merkmalen und zur Klassifizierung vor, das als Hauptkomponentenanalyse auf der Grundlage der JK-Methode zur Verbesserung der Erkennungsgenauigkeit und zur optimalen Auswahl von Teilmengen von Merkmalen bezeichnet wird. Die vorgeschlagene Methode passt einen Parameter namens "Varianzabdeckung" an und erstellt das Modell mit dem Wert, bei dem eine maximale Klassifizierungsgenauigkeit erzielt wird. Dies erleichtert die Auswahl eines kompakten Satzes von überlegenen Merkmalen, und das zu bemerkenswert niedrigen Kosten. Der umfassende experimentelle Vergleich der vorgeschlagenen Methode mit anderen Methoden unter Verwendung von drei verschiedenen Klassifikatoren (Naïve Bayes (NB), Multi-Layer-Perceptron (MLP) und J48-Entscheidungsbaum) und sechs verschiedenen medizinischen Datensätzen kann bestätigen, dass die vorgeschlagene (PCA-JK)-Strategie vielversprechende Ergebnisse bei der Auswahl der Merkmale und der Klassifizierungsgenauigkeit für das medizinische Data-Mining-Forschungsgebiet liefert.