Name: Wykrywanie Chorób Ukladu KrĄŻenia Przy UŻyciu Optymalny Wybór Cech (en Polaco)
Price: 192881.00 COP
Availability: InStock
Author: Gade, Mary Swarna Latha; K, Laxmi Narayanamma
ISBN: 9786208480035

portada Wykrywanie Chorób Ukladu KrĄŻenia Przy UŻyciu Optymalny Wybór Cech (en Polaco)

Wykrywanie Chorób Ukladu KrĄŻenia Przy UŻyciu Optymalny Wybór Cech (en Polaco)

Formato

Libro Físico

Editorial

Wydawnictwo Nasza Wiedza

Autor

Gade, Mary Swarna Latha; K, Laxmi Narayanamma

Idioma

Polaco

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

ISBN13

9786208480035

Wykrywanie Chorób Ukladu KrĄŻenia Przy UŻyciu Optymalny Wybór Cech (en Polaco)

Gade, Mary Swarna Latha; K, Laxmi Narayanamma (Autor) · Wydawnictwo Nasza Wiedza · 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 "Wykrywanie Chorób Ukladu KrĄŻenia Przy UŻyciu Optymalny Wybór Cech (en Polaco)"

Choroby sercowo-naczyniowe (CVD) pozostają glówną przyczyną zgonów na calym świecie, co podkreśla potrzebę ich wczesnego wykrywania. Niniejsze badanie przedstawia oparte na uczeniu maszynowym ramy wykrywania CVD przy użyciu sygnalów EKG, koncentrując się na ulepszonej selekcji cech. System integruje filtr oparty na szybkiej korelacji (FCBF), minimalną redundancję maksymalnej istotności (mRMR), odciążenie i optymalizację roju cząstek (PSO) w celu zidentyfikowania najbardziej odpowiednich i nie zbędnych cech. FCBF usuwa nadmiarowe dane, mRMR wybiera kluczowe istotne cechy, Relief szereguje cechy na podstawie ich mocy rozróżniania klas, a PSO optymalizuje ostateczny zestaw cech. Klasyfikacja jest przeprowadzana przy użyciu klasyfikatorów Extra Trees i Random Forest, znanych z wysokiej dokladności i odporności na nadmierne dopasowanie. Polączony model osiągnąl 100% wskaźnik dokladności w różnych zestawach danych, przewyższając istniejące metody i wykazując doskonalą wydajnośc w wyborze cech i klasyfikacji. Ta struktura ma duży potencjal, aby poprawic wczesną diagnozę CVD i usprawnic podejmowanie decyzji klinicznych.