A Machine Learning Approach for the Classification of Lower Back Pain in the Human Body
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The 21st century has been witnessing a high growth in technology in every field including the medical sector. Dynamic systems have been designed and implied for better and accurate diagnosis of a large variety of ailments; but, the growing number of patients makes it difficult to provide proper medical attention in time. To overcome this difficulty, Intelligent Systems techniques can be employed in the medical sector and help us overcome the huge difference in the ratio of doctors versus patients; along with reducing the examination and waiting time for the patients. Among all the variety of ailments prevailing in today's world, "Lower Back Pain" has emerged as one of the most prevailing ailments which includes around 80% of the total population once in lifetime, making it to one of the prior concerns of medical sector. To act effectively onto it, many conventional methods have been used to diagnose lower back pain. This study aims to design a non-Conventional technique to classify Lower back pain either Normal or Abnormal using Machine Learning techniques such as Na ve Bayes, Support Vector Machines, Decision Trees, Gradient Boosted Trees, Fast Large Margin, K Nearest Neighbor, Multilayer Perceptron, Random Forest, and Artificial Neural Networks. This research focuses upon the implementation of the above-mentioned techniques for the proper classification of Spine Dataset and for determining the best technique in terms of Accuracy, Precision, Sensitivity, Specificity, F-measure and Area under Curve.
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.
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 | 0,003 | 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 | 0,001 |
| 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 découle