9543288
Description
Mind Map by Har0ld Martinez, updated more than 1 year ago
|
Created by Har0ld Martinez
over 7 years ago
|
|
Estudio comparativo de técnicas
supervisadas de machine learning
aplicadas en problemas medicos
- Aprendizaje de Máquina
- Es una rama del campo de inteligencia artificial que estudia como las maquinas pueden tomar
decisiones a partir de emular a los seres vivos, teniendo en cuenta una información estructurada o sin
estructurar, suministrada a modo de ejemplo
- Es una rama del campo de inteligencia artificial que estudia como las maquinas pueden tomar
decisiones a partir de emular a los seres vivos, teniendo en cuenta una información estructurada o sin
estructurar, suministrada a modo de ejemplo
- Objetivo
- Comparar cuantitativamente 6 técnicas
supervisadas de clasificación multi-clase
- SVM: Support Vector Machine
- KNN: K-nearest neighbors algorithm
- ANN: Artificial neural network
- PC: Parzens Classifier
- Random Forest: arboles de decisión
- Adaboost: Adaptative Boosting
- SVM: Support Vector Machine
- Comparar cuantitativamente 6 técnicas
supervisadas de clasificación multi-clase
- Materiales y Métodos
- Base de Datos
- Cleveland
- Cardiotocografia
- Hipotiroidismo
- Cleveland
- Preprocesamiento
- Selección de Variables
- Determinación del conjunto de entrenamiento
- Selección de Variables
- Ajuste de parámetros
- Determinación de los parámetros que rigen el
funcionamiento de los clasificadores
- Determinación de los parámetros que rigen el
funcionamiento de los clasificadores
- Evaluación del desempeño de los clasificadores
- Cálculo de error cuadrático medio
- Validación Cruzada
- Cálculo de error cuadrático medio
- Base de Datos
- Resultados
- Para cada clasificador se realizó una validación cruzada de 20 veces para
obtener el promedio del error cuadrático de clasificación y su respectiva
desviación estándar que finalmente son los indicadores de desempeño.
- Para cada clasificador se realizó una validación cruzada de 20 veces para
obtener el promedio del error cuadrático de clasificación y su respectiva
desviación estándar que finalmente son los indicadores de desempeño.
- Conclusiones
- De los resultados arrojados para las pruebas realizadas, resulta claro el evidenciar que el alogritmo de RandomForest presenta un
error de clasificación bastante alto en comparación con los demás clasificadores usados en el experimento. Por lo tanto no es el
clasificador más adecuado para ser adecuado en algoritmos que tomen decisiones de diagnóstico de patologías como por ejemplo
estructuras como razonamiento basado en casos, CBR por sus siglas en ingles. Lo anterior se puede deber quizá a la topología de los
datos dependiendo de esta, existen clasificadores que funcionan de mejor manera, es importante el reconocer esto ya que podria
facilitar tareas. Con el hecho de solo saber la topología de los datos se podría predecir que clasificador funcionará mejor.
- De los resultados arrojados para las pruebas realizadas, resulta claro el evidenciar que el alogritmo de RandomForest presenta un
error de clasificación bastante alto en comparación con los demás clasificadores usados en el experimento. Por lo tanto no es el
clasificador más adecuado para ser adecuado en algoritmos que tomen decisiones de diagnóstico de patologías como por ejemplo
estructuras como razonamiento basado en casos, CBR por sus siglas en ingles. Lo anterior se puede deber quizá a la topología de los
datos dependiendo de esta, existen clasificadores que funcionan de mejor manera, es importante el reconocer esto ya que podria
facilitar tareas. Con el hecho de solo saber la topología de los datos se podría predecir que clasificador funcionará mejor.
Want to create your own Mind Maps for free with GoConqr? Learn more.