Esplorazione dei dati e apprendimento automatico con R
SVM e regressione logistica su Cleveland Heart Disease Dataset
Versandkostenfrei!
Versandfertig in 6-10 Tagen
29,99 €
inkl. MwSt.
PAYBACK Punkte
15 °P sammeln!
Le malattie cardiovascolari sono comuni in questi giorni ad ogni gruppo di età del paziente. La previsione della fase iniziale può aiutare ad adattare uno stile di vita sano in modo che l'alto rischio di minaccia per la vita possa essere evitato. I ricercatori stanno continuamente trovando collegamenti da fonti di dati esistenti in modo che le malattie cardiache possano essere previste nelle fasi iniziali. Ci sono comprovate tecniche di data mining come alberi di decisione, macchina vettoriale di supporto, regressione logistica utili nella prognosi delle malattie cardiache. Questa ricerca si...
Le malattie cardiovascolari sono comuni in questi giorni ad ogni gruppo di età del paziente. La previsione della fase iniziale può aiutare ad adattare uno stile di vita sano in modo che l'alto rischio di minaccia per la vita possa essere evitato. I ricercatori stanno continuamente trovando collegamenti da fonti di dati esistenti in modo che le malattie cardiache possano essere previste nelle fasi iniziali. Ci sono comprovate tecniche di data mining come alberi di decisione, macchina vettoriale di supporto, regressione logistica utili nella prognosi delle malattie cardiache. Questa ricerca si concentra sulla previsione delle malattie cardiache utilizzando la macchina a vettori di supporto e la tecnica di regressione lineare. Il set di dati delle malattie cardiache di Cleveland è usato come set di dati campione per trovare la precisione di queste due tecniche scelte. Il confronto mostra che la regressione logistica dà risultati accurati rispetto alla macchina vettoriale di supporto sul dataset delle malattie cardiache. L'analisi della ricerca è condotta in uno script R dove viene analizzato il Cleveland Heart Disease Dataset e due modelli (SVM, regressione logistica) sono implementati utilizzando R. Il progetto si concentra sull'applicazione delle tecniche di Support Vector Machine e Regressione Logistica sul dataset sopra menzionato.
Andere Kunden interessierten sich für
