• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Comparing relative weight reduction and principal component analysis methods applied to perinatal outcome classification ANN methods.
【24h】

Comparing relative weight reduction and principal component analysis methods applied to perinatal outcome classification ANN methods.

机译：比较相对减肥和主成分分析方法应用于围产期结局分类ANN方法。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This thesis compares relative weight reduction (RWR) and principal component analysis (PCA) variable selection methods applied to perinatal outcome classification artificial neural network (ANN) models. The two perinatal outcomes classified using ANN models are Apgar score at 5 minutes after baby birth and vaginal or cesarean section delivery type from Niday Perinatal Database. The important factors of determining the perinatal outcomes are found separately using RWR and PCA methods applied to ANN tools. It is found that RWR performs better than PCA on specificity measures and it has the advantage of keeping individual indicator data information. The PCA method performs better on sensitivity measures and it is suitable for large input data noise reduction. The Niday 2001 models are also verified in a five member committee of classifiers using Niday 2004 unseen data. The performance measures show that the Niday 2001 models are sufficient in classifying the desired outcomes.
机译：本文比较了应用于围产期结局分类人工神经网络（ANN）模型的相对体重减轻（RWR）和主成分分析（PCA）变量选择方法。使用ANN模型分类的两个围产期结局是婴儿出生后5分钟的Apgar评分和Niday围产期数据库中的阴道或剖宫产分娩类型。决定围产期结局的重要因素是使用应用于ANN工具的RWR和PCA方法分别找到的。发现在特定性指标上，RWR的性能优于PCA，并且具有保留单个指标数据信息的优势。 PCA方法在灵敏度测量方面表现更好，并且适合于大输入数据降噪。 Niday 2001模型也在使用Niday 2004看不见的数据的五个成员分类委员会中进行了验证。绩效评估表明，Niday 2001模型足以对预期结果进行分类。

著录项

  • 作者

    Ouyang, Hui.;

  • 作者单位

    University of Ottawa (Canada).;

  • 授予单位 University of Ottawa (Canada).;
  • 学科 Engineering Electronics and Electrical.; Artificial Intelligence.
  • 学位 M.A.Sc.
  • 年度 2006
  • 页码 111 p.
  • 总页数 111
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 无线电电子学、电信技术;人工智能理论;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号