Multi-target módszerek összehasonlító analízise a klinikai adatok felhasználásával

Dátum
Folyóirat címe
Folyóirat ISSN
Kötet címe (évfolyam száma)
Kiadó
Absztrakt

A gépi tanulás elterjedésével egyre gyakrabban merülnek fel olyan problémák táblázatos adatok elemzése során, amelyeknél több diszkrét jellemzőt szeretnénk egyszerre prediktálni. A multi-target osztályozás megoldás lehet erre a problémára, amely felhasználja a céljellemzők közötti kapcsolatot a modell teljesítményének a javításához. Célul tűztük ki, hogy három, multi-target modellezésre alkalmas módszert hasonlítunk össze: 2 single-target módszerhez a TPOT-ot, míg a multi-targethez az AutoGluon AutoML keretrendszereket használtam. Az összehasonlító elemzéshez egy egyetemi diabétesz kutatáshoz kapcsolódó adattáblát és a szabadon elérhető ”Cardiotocography” klinikai táblázatos adathalmazt használtunk. Eredményeink azt mutatják, hogy a diszkrét céljellemzők közötti erős kapcsolat esetén jobb eredményeket ér el a multi-target modell, mint a hagyományos osztályozási módszerek. A konkrét adatok esetében ez a javulás csak a ”Cardiotocography adathalmazon volt kimutatható, a diabétesz adattábla esetében a javulás csak kismértékben jelentkezett.

Leírás
Kulcsszavak
AutoML multi-target gépi tanulás osztályozás
Forrás