Comparison of random forest and support vector machine for prediction of cognitive impairment in Parkinson's disease
Notice bibliographique
Résumé
Cognitive impairments are typical in PD and are indicated by mild cognitive impairment (PD-MCI) in the early stages or dementia (PDD) in higher stages. The Montreal Cognitive Assessment (MoCA) is an instrument commonly used for ascertaining cognitive impairments in PD. This research uses the clinical, neuroimaging, and CSF data as a predictor variable and the MoCA score as the target variable representing cognitive impairments. Machine learning approaches through support vector machine (SVM) and random forest (RF) methods were applied for modeling. The mean absolute error (MAE) and the root mean square error (RMSE) are used to compare the predicted performance values of the method's application. The experimental results showed that both SVM and RF performed well in predicting cognitive impairments in PD patients, indicated by the relatively small MAE value at 0.076 and RMSE at 0.542. This research also discovers that SVM is better than RF in predicting cognitive impairments. Meanwhile, RF presents an apparent and explicable outcome, which is beneficial for determining important variables that correspond to cognitive impairments. The five measurements with the highest mean decrease accuracy (%IncMSE) are age of onset, phosphorylated tau, α-synuclein (aSyn), mean putamen, and total tau.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».