Name: Erkennung Von Herz-Kreislauf-Erkrankungen Durch Optimaler Merkmalsauswahl (en Alemán)
Price: 192881.00 COP
Availability: InStock
Author: Gade, Mary Swarna Latha; K, Laxmi Narayanamma
ISBN: 9786208469795

portada Erkennung Von Herz-Kreislauf-Erkrankungen Durch Optimaler Merkmalsauswahl (en Alemán)

Erkennung Von Herz-Kreislauf-Erkrankungen Durch Optimaler Merkmalsauswahl (en Alemán)

Formato

Libro Físico

Editorial

Verlag Unser Wissen

Autor

Gade, Mary Swarna Latha; K, Laxmi Narayanamma

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

ISBN13

9786208469795

Erkennung Von Herz-Kreislauf-Erkrankungen Durch Optimaler Merkmalsauswahl (en Alemán)

Gade, Mary Swarna Latha; K, Laxmi Narayanamma (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 24 días háb.

$ 350.693$ 192.881

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 192.881

¡Envío Gratis! Llega entre el 07 Sep y el 14 Sep a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Erkennung Von Herz-Kreislauf-Erkrankungen Durch Optimaler Merkmalsauswahl (en Alemán)"

Herz-Kreislauf-Erkrankungen (KHK) sind nach wie vor eine der häufigsten Todesursachen weltweit, was die Notwendigkeit einer genauen Früherkennung unterstreicht. In dieser Studie wird ein auf maschinellem Lernen basierendes System zur Erkennung von Herz-Kreislauf-Erkrankungen anhand von EKG-Signalen vorgestellt, das sich auf eine verbesserte Merkmalsauswahl konzentriert. Das System integriert Fast Correlation-Based Filter (FCBF), Minimum Redundancy Maximum Relevance (mRMR), Relief und Particle Swarm Optimization (PSO), um die relevantesten und nicht-redundanten Merkmale zu identifizieren. FCBF entfernt redundante Daten, mRMR wählt die wichtigsten relevanten Merkmale aus, Relief ordnet die Merkmale nach ihrer klassenunterscheidenden Kraft ein und PSO optimiert den endgültigen Merkmalssatz. Die Klassifizierung erfolgt mithilfe von Extra Trees und Random Forest-Klassifikatoren, die für ihre hohe Genauigkeit und ihre Widerstandsfähigkeit gegen Überanpassung bekannt sind. Das kombinierte Modell erreichte eine 100-prozentige Genauigkeitsrate bei verschiedenen Datensätzen und übertraf damit die bestehenden Methoden, wobei es eine überlegene Leistung bei der Merkmalsauswahl und Klassifizierung zeigte. Dieses System birgt ein gro es Potenzial zur Verbesserung der frühen CVD-Diagnose und zur Verbesserung der klinischen Entscheidungsfindung.