| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Razvoj spletne aplikacije in napovednega modela za napoved nediagnosticirane sladkorne bolezni tipa 2
Avtorji:ID Fajfar, Andrej (Avtor)
ID Štiglic, Gregor (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Fajfar_Andrej_2017.pdf (1,38 MB)
MD5: 75C92B03E527E3A89BC74D64FDE2C94E
PID: 20.500.12556/dkum/75f01c6d-58ca-41f0-a4e8-3922b54d7485
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FZV - Fakulteta za zdravstvene vede
Opis:V magistrski nalogi smo s pomočjo metode strojnega učenja »Random Forest« skušali napovedati stopnjo tveganja za nastanek sladkorne bolezni oz. verjetnost prisotnosti nediagnosticirane sladkorne bolezni na podlagi podatkov iz Slovenije. Za izbrano metodo smo določili optimalno število in vrsto spremenljivk za posamezni model. Za evalvacijo modela smo uporabili povprečno območje pod krivuljo (AUC), točnost in F-mero. Za model populacije s povečanim tveganjem smo dosegli povprečno AUC 0,823, točnost 0,824 in F-mero 0,804. V modelu za napoved nediagnostirane sladkorne bolezni smo dosegli povprečno AUC in točnost 0,749 in F-mero 0,654. Na podlagi podatkov smo pokazali, da je možno z veliko uspešnostjo določiti osebe z visokim tveganjem, ki predstavljajo preddiabetike in nediagnostirane diabetike oz. skupino s tveganjem za nastanek sladkorne bolezni tipa 2. Pokazali smo uporabo tehnik uravnoteženja odločitvenega razreda in rezultate primerjali z neuravnoteženim razredom. Uravnoteženje razreda zviša klasifikacijsko uspešnost modela. Rezultate smo primerjali z rezultati drugih znanstvenih objav in zasledili podobnost med rezultati. Tuje raziskave navajajo, da je klasifikator Random Forest najpogosteje izbran model, v primerjavi z drugimi modeli za napovedovanje kroničnih bolezni. S korelacijskim testom smo pokazali, da napovedna uspešnost modela ne korelira s številom dreves v ansamblu (p = 0,00015).
Ključne besede:strojno učenje, Random Forest, neuravnoteženi podatki, diabetes mellitus
Kraj izida:Maribor
Založnik:[A. Fajfar]
Leto izida:2017
PID:20.500.12556/DKUM-68620 Novo okno
UDK:616.379-008.64:004
COBISS.SI-ID:2361764 Novo okno
NUK URN:URN:SI:UM:DK:4EO1TWZI
Datum objave v DKUM:19.10.2017
Število ogledov:1490
Število prenosov:177
Metapodatki:XML DC-XML DC-RDF
Področja:FZV
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:30.09.2017

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Development of web aplication and predictive model for predicting undiagnosed type 2 diabetes
Opis:The master’s thesis develops predictive models based on machine learning method Random Forest for prediction of diabetes type 2 risk population group and undiagnosed diabetes group using data collected in Slovenia. The optimal set of features for optimal results was determined. We used mean area under the curve (AUC), accuracy and F-measure for evalvation of the model. We achieved mean AUC of 0.823, accuracy 0.824 and F- measure 0.804 for risk in the preddiabetes group and mean AUC and accuracy of 0.749 and F-measure 0.654 for undiagnosed diabetes model. We achieved the best predictive performance for high-risk population representing preddiabetes and undiagnosed diabetes patients. We show techniques for balancing class variable and compare results with unbalance data. Balancing improved overall accuracy of classification model. Comparison to related scientific papers shows similarities between results and techniques and that Random Forest is a preferred model of choice in the field of prediction of chronic diseases with high accuracy rate. Correlation test shows no correlation between mean AUC and number of trees in ensemble (p = 0,00015).
Ključne besede:machine learning, Random Forest, unbalance data, diabetes mellitus


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici