Perbandingan Metode K-Means dan GA K-Means untuk Clustering Dataset Heart Disease Patients
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
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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