NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) şu anda dünya çapında yaklaşık 10 milyon insanı etkilemektedir. PD pozitif deneklerin saptanması hastalık prognostikleri, tanı, yönetim ve tedavi açısından hayati önem taşır. Konuşma bozukluğu ve yazıdaki değişiklikler gibi farklı erken belirtiler Parkinson hastalığı ile ilişkilidir. PD'nin potansiyel hastalarını sınıflandırmak için, birçok araştırmacı bu hastalıkla ilgili çeşitli veri kümelerinde makine öğrenme algoritmalarını kullandı. Araştırmamızda, dengesiz bir veri kümesi olan PD ses bozukluğu özelliğinin veri kümesini inceliyoruz. Biz karşılaştırmalı performans değerlendirme çeşitli karar ağacı topluluk yöntemleri kullanarak, ile veya oversampling teknikleri olmadan önermektedir. Buna ek olarak, sınıflandırıcıların performansını farklı boyutlardaki topluluk ve azınlık sınıfının ve çoğunluk sınıfının çeşitli oranlarıyla aşırı örnekleme ve alt örnekleme ile karşılaştırıyoruz. Son olarak, özellik seçimini en iyi performans gösteren topluluk sınıflandırıcıları ile birleştiriyoruz. Sonuç, RUSBOOST dengesiz veri kümesi için geliştirilen AdaBoost, rastgele orman ve karar ağacının, alıcının karakteristik eğriyi (AUROC) ve geometrik ortalamayı çalıştıran alıcının altındaki hassas, geri çağırma, F1-score, alan gibi performans ölçümlerinde iyi performans gösterdiğini göstermektedir. Ayrıca, en iyi en iyi grup sınıflandırıcılarını kullanarak en iyi 10 özelliği görüntülemek için kement ve bilgi kazanımı gibi özellik seçim yöntemleri kullanıldı. AdaBoost bilgi kazanç özelliği seçim yöntemi ile en iyi performans gösteren topluluk yöntemidir ve 0,903'lük bir F1-score'a sahiptir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) currently affects approximately 10 million people worldwide. The detection of PD positive subjects is vital in terms of disease prognostics, diagnostics, management and treatment. Different types of early symptoms, such as speech impairment and changes in writing, are associated with Parkinson disease. To classify potential patients of PD, many researchers used machine learning algorithms in various datasets related to this disease. In our research, we study the dataset of the PD vocal impairment feature, which is an imbalanced dataset. We propose comparative performance evaluation using various decision tree ensemble methods, with or without oversampling techniques. In addition, we compare the performance of classifiers with different sizes of ensembles and various ratios of the minority class and the majority class with oversampling and undersampling. Finally, we combine feature selection with best-performing ensemble classifiers. The result shows that AdaBoost, random forest, and decision tree developed for the RUSBoost imbalanced dataset perform well in performance metrics such as precision, recall, F1-score, area under the receiver operating characteristic curve (AUROC) and the geometric mean. Further, feature selection methods, namely lasso and information gain, were used to screen the 10 best features using the best ensemble classifiers. AdaBoost with information gain feature selection method is the best performing ensemble method with an F1-score of 0.903.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.