Improving the Classification Ability of Delegating Classifiers Using Different Supervised Machine Learning Algorithms
Notice bibliographique
Résumé
Cancer Classification & Prediction Is Vitally Important for Cancer Diagnosis. DNA Microarray Technology Has Provided Genetic Data That Has Facilitated Scientists Perform Cancer Research. Traditional Methods of Classification Have Certain Limitations E.G. Traditionally A Proposed DSS Uses A Single Classifier at A Time for Classification or Prediction Purposes. To Increase Classification Accuracy, Reject Option Classifiers Has Been Proposed in Machine Learning Literature. In A Reject Option Classifier, A Rejection Region Is Defined and The Samples Fall in That Region Are Not Classified by The Classifier. The Unclassifiable Samples Are Rejected by Classifier in Order to Improve Classifier’s Accuracy. However, These Rejections Affect the Prediction Rate of The Classifier as Well. To Overcome the Problem of Low Prediction Rates by Increased Rejection of Samples by A Single Classifier, the “Delegating Classifiers” Provide Better Accuracy at Less Rejection Rate. Different Classifiers Such as Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), K Nearest Neighbor (KNN) Etc. Have Been Proposed. Moreover, Traditionally, Same Learner Is Used As “Delegated” And “Delegating” Classifier. This Research Has Investigated the Effects of Using Different Machine Learning Classifiers in Both of The Delegated and Delegating Classifiers, And the Results Obtained Showed That Proposed Method Gives High Accuracy and Increases the Prediction Rate.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».