Techniken des maschinellen Lernens zur Vorhersage des Alters - Nawarathna, Lakshika S.
43,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
0 °P sammeln
  • Broschiertes Buch

Die Vorhersage des Alters ist ein wichtiger Aspekt in der Forensik und im klinischen Bereich. Die forensische Odontologie dient der Altersvorhersage anhand von bleibenden Zähnen, die widerstandsfähiger gegen hohe Temperaturen und Massenkatastrophen sind als andere Teile des Körpers. Altersbedingter Gedächtnisverlust, Gedächtnisverlust im Zusammenhang mit Demenz und das Fehlen offizieller Dokumente zur Überprüfung des Alters sind die Hauptgründe dafür, dass Menschen ihr Alter nicht kennen. Daher wird die Altersvorhersage in verschiedenen Situationen verwendet, z. B. bei der Identifizierung, bei…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Die Vorhersage des Alters ist ein wichtiger Aspekt in der Forensik und im klinischen Bereich. Die forensische Odontologie dient der Altersvorhersage anhand von bleibenden Zähnen, die widerstandsfähiger gegen hohe Temperaturen und Massenkatastrophen sind als andere Teile des Körpers. Altersbedingter Gedächtnisverlust, Gedächtnisverlust im Zusammenhang mit Demenz und das Fehlen offizieller Dokumente zur Überprüfung des Alters sind die Hauptgründe dafür, dass Menschen ihr Alter nicht kennen. Daher wird die Altersvorhersage in verschiedenen Situationen verwendet, z. B. bei der Identifizierung, bei der Zulassung, bei der Beschäftigung, in Strafsachen und bei gerichtlichen Bestrafungen. Das Hauptziel dieser Studie ist die Vorhersage des Alters eines Kindes anhand des Durchbruchsstatus der bleibenden Zähne. Diese Querschnittsstudie wurde an 3321 Personen (1681 männliche und 1640 weibliche) aus 7 Provinzen und 20 Schulen in Sri Lanka durchgeführt. Regressionsbaum-Algorithmen des maschinellen Lernens, d. h. Klassifikations- und Regressionsbäume (CART), Gradient-Boosting-Klassifikator (GB) und Extrem-Gradient-Boost-Klassifikator (XGBoost), wurden verwendet, um Vorhersagen über das Alter eines Kindes zu treffen. Die Ergebnisse der Studie zeigen, dass der XGBoost-Klassifikator des maschinellen Lernens die am besten geeignete Methode zur Altersvorhersage mit höherer Genauigkeit ist.
Autorenporträt
Dr. Lakshika S. Nawarathna, Senior-Dozentin,Abteilung für Statistik und Informatik,Fakultät für Naturwissenschaften, Universität von PeradeniyaSri Lanka.