24,99 €
inkl. MwSt.
Versandfertig in 1-2 Wochen
12 °P sammeln
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 €![Predicción del Stock de piezas de repuesto para equipos médicos]( "Predicción del Stock de piezas de repuesto para equipos médicos")
Predicción del Stock de piezas de repuesto para equipos médicos42,99 €![Métodos para la selección óptima de carteras de proyectos]( "Métodos para la selección óptima de carteras de proyectos")
Métodos para la selección óptima de carteras de proyectos22,99 €![Practicar el conocimiento del desarrollo de bases de datos con MS Access y VB.NET]( "Practicar el conocimiento del desarrollo de bases de datos con MS Access y VB.NET")
Practicar el conocimiento del desarrollo de bases de datos con MS Access y VB.NET18,99 €![Bases de datos con XML]( "Bases de datos con XML")
Bases de datos con XML25,99 €![E-learning aplicado a la enseñanza de Bases de Datos]( "E-learning aplicado a la enseñanza de Bases de Datos")
E-learning aplicado a la enseñanza de Bases de Datos51,99 €![Implementación de una Base de Datos Relacional para Behique SIC]( "Implementación de una Base de Datos Relacional para Behique SIC")
Implementación de una Base de Datos Relacional para Behique SIC19,99 €
La selección de características óptimas es un área importante de investigación en los sistemas de minería de datos médicos. En esta investigación introducimos un procedimiento eficiente -selección de subconjuntos de características, clasificación de características y clasificación- llamado Análisis de Componentes Principales basado en el método JK para la mejora de la precisión de la detección y la selección de subconjuntos de características óptimas. El método propuesto ajusta un parámetro denominado "cobertura de varianza" y construye el modelo con el valor en el que se obtiene la máxima precisión de clasificación. Esto facilita la selección de un conjunto compacto de características superiores, notablemente a un coste muy bajo. La extensa comparación experimental del método propuesto y otros métodos utilizando tres clasificadores diferentes (Naïve Bayes (NB), perceptrón multicapa (MLP) y árbol de decisión J48) y 6 conjuntos de datos médicos diferentes puede confirmar que la estrategia propuesta (PCA-JK) produce resultados prometedores en la selección de características y la precisión de la clasificación para el campo de investigación de la minería de datos médicos.