A Hybrid Resampling Method with K-Nearest Neighbour (FHR-KNN) for Imbalanced Preeclampsia Dataset
Notice bibliographique
Résumé
The medical preeclampsia dataset emphasizes the possession of very large data by a majority class, compared to a minority class.This condition often leads to imbalanced classes in the training datasets, which then affects model prediction negatively.However, a standard classifier is likely to perform adequately on a balanced sample.Asides from the imbalance class issue, another problem in the medical dataset is irrelevant features, which cause poor model accuracy.In this case, several techniques such as SMOTE, as well as random oversampling and undersampling (ROS and RUS) have been used as problemsolving approaches, although they also contained some negative impacts, such as overfitting, loss of information, and overlapping.Therefore, this study aims to propose a model, which combines Features selection, a Hybrid Resampling technique, and a K-Nearest Neighbor algorithm (FHR-KNN), to overcome this problem.This model was implemented to the imbalanced datasets, with the average values of the accuracy, precision, and recall of the FHR-KNN obtained at 99%, 95%, and 95%, which is 0.03% higher than another classifier, respectively.Based on the results, the strategy implemented consistently outperformed other methods and classifiers regarding performance levels.The accuracy of individual classifiers showed the elevation of almost all classifier appropriateness.Additionally, an increase was observed within the average accuracy indices FHR-KNN algorithm compared to the traditional oversampling technique.
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 | 0,002 | 0,002 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 | 0,001 |
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 ».