Framework Two-Tier Feature Selection on the Intelligence System Model for Detecting Coronary Heart Disease
Notice bibliographique
Résumé
Coronary heart disease is a non-communicable disease with high mortality. A good action to anticipate this is to do prevention, namely by carrying out a healthy lifestyle and routine early examinations. Early detection of coronary heart disease requires a number of examinations, such as demographics, ECG, laboratory, symptoms, and even angiography. The number of inspection parameters in the context of early detection will have an impact on the time and costs that must be incurred. Selection of the right and important inspection parameters will save time and costs. This study proposes an intelligence system model for the detection of coronary heart disease by using a minimal examination attribute, with performance in the good category. This research method is divided into a number of stages, namely data normalization, feature selection, classification, and performance analysis. Feature selection uses a Two-tier feature selection framework consisting of correlation-based filters and wrappers. The system model is tested using a number of datasets, and classification algorithms. The test results show that the proposed two-tier feature selection framework is able to reduce the highest attribute of 73.51% in the z-Alizadeh Sani dataset. The performance of the system using the bagging-PART algorithm is able to provide the best performance with parameters area under the curve (AUC) 95.4%, sensitivity 95.9% while accuracy is 94.1%. Referring to the AUC value, the proposed system model is included in the good category.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».