Perbandingan Metode K-Means dan GA K-Means untuk Clustering Dataset Heart Disease Patients
Notice bibliographique
Résumé
Penyakit jantung adalah kondisi dimana jantung sebagai organ vital manusia mengalami gangguan dan tidak berfungsi dengan baik dan merupakan penyakit yang paling mematikan di dunia serta menjadi penyebab utama kematian secara global, dengan total kematian sekitar 17,9 juta jiwa per tahunnya. Pada penelitian ini dilakukan pengelompokkan data pasien terdiagnosis penyakit jantung untuk melihat karakteristik dan persamaan dari setiap pasien. Dataset yang digunakan adalah dataset Heart Disease Patients yang berjumlah 303 data medis pasien dengan 11 atribut atau fitur. Metode K-Means dan GA K-Means digunakan untuk pengelompokan. Algoritma genetika digunakan untuk mengoptimasi centroid awal untuk pengelompokkan K-Means. Hasil penelitian dievaluasi dengan mencatat iterasi, inter cluster dan intra cluster masing-masing metode pengelompokkan. Algoritma genetika mampu mengoptimasi metode K-Means yang terlihat dari rata-rata iterasi dari 13,4 menjadi 12,5 dengan iterasi maksimum turun dari 21 iterasi menjadi 17 iterasi. Berdasarkan hasil perhitungan inter cluster dan intra cluster, hasil intra cluster dari GA K-Means lebih baik dibandingkan dengan K-Means dan untuk inter cluster sangat kecil perbedaannya, dimana rata-rata inter cluster metode K-Means sedikit lebih baik daripada GA K-Means.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».