Anomaly Detection and Performance Analysis by Using Big Data Filtering Techniques For Healthcare on IoT Edges
Notice bibliographique
Résumé
The IoT is a sensors world that detects countless physical events in our environment and transforms them into data, and transfers this data to different environments or digital systems. The usage areas of Internet of things-based technologies are constantly increasing and technologies are being developed to support the IoT infrastructure. But, in order to effectively manage the large number of big-data generate in the detection layer, it should be pre-processed and done in accordance with big-data standards. For the effective management of big data, it is imperative to improving the standards of the data set, and filtering methods are being developed for a higher quality data set. For instance, using data cleaning methods is a preprocessing method that facilitates data mining operations. In this way, more manageable data is obtained by preventing the formation of interference and big data can be managed more effectively. In this study, we investigate the efficient operation of IoT and big data originating from the internet of things. Additionally, real-time anomalous data filtering is performed on IoT edges with a data set consisting of six different data produced in real- time. Furthermore, the speed and accuracy performances of classifiers are compared, and machine learning algorithms such as the random cut forest-RCF, logistic regression-LR, naive bayes-NB, and neural network-NN classifiers are used for comparison. According to the accuracy performance values, the RCF and LR classifiers are very close, but considering the speed values, it is seen that the LR classifier is more successful in IoT systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».