PE_DIM: An Efficient Probabilistic Ensemble Classification Algorithm for Diabetes Handling Class Imbalance Missing Values

Jia, Liyan; Wang, Zhiping; Lv, Siqi; Xu, Zhaohui

doi:10.1109/access.2022.3212067

Cited by 12 publications

(4 citation statements)

References 54 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Наївний класифікатор Байєса є одним із найпоширеніших алгоритмів машинного навчання для задачі класифікації. Він ґрунтується на теоремі Байєса та використовує припущення незалежності між ознаками (відтак назва "наївний") [6].…”

Section: результати дослідження та їх обговорення / Research Results ...unclassified

“…Формулу для класифікатора випадкового лісу можна подати так: Випадковий ліс є потужним і надійним алгоритмом, який добре працює з великими наборами даних та може уникнути перенавчання. Він широко використовується у багатьох галузях, таких як медицина, фінанси, комп'ютерний зір тощо [6].…”

Section: результати дослідження та їх обговорення / Research Results ...unclassified

See 1 more Smart Citation

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Petryna,

Doroshenko,

Sydorenko

et al. 2023

Scientific Bulletin of UNFU

View full text Add to dashboard Cite

Досліджено вплив ітеративного методу зважування даних респондентів на підставі певних факторів на точність навчання моделі машинного навчання для вирішення завдань класифікації. Збір та оброблення даних є критичним етапом в процесі розроблення та використання моделей машинного навчання, оскільки якість та наочність даних безпосередньо впливають на точність та ефективність моделей. Проаналізовано математичне забезпечення алгоритмів моделей класифікації. Здійснено огляд літературних джерел, пов'язаних із тематикою статті. Проаналізовано набори даних, доступні у мережі для вирішення завдань класифікації. Розроблено програмне забезпечення для роботи із моделями машинного навчання. Проведено попередню підготовку вхідних даних для навчання та тестування вибраних моделей. Використано такі моделі класифікації, як наївний класифікатор Байєса, класифікатор випадкового лісу, наївний байєсів класифікатор Гауса, а також ітеративний метод зважування даних. Ці моделі інтегровано у програмне забезпечення, розроблене для оброблення, підготовки, зберігання даних. Досліджено обрані моделі із використанням попередньо підготовлених даних за допомогою програмного забезпечення відповідно до визначених сценаріїв. Згідно з результатами дослідження виявлено позитивний тренд на якість навчання моделей за коректної підготовки даних і вибору відповідних змінних для зважування даних респондентів. Показники ефективності, точності навчання алгоритму показують позитивну динаміку порівняно з результатами тестування моделей без використання зважування даних. Результатами дослідження підтверджується значущий вплив ітеративного методу зважування даних на результати навчання, тренування та тестування моделей машинного навчання, а саме мультиплікативного класифікатора Байєса.

show abstract

Section: результати дослідження та їх обговорення / Research Results ...unclassified

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Petryna,

Doroshenko,

Sydorenko

et al. 2023

Scientific Bulletin of UNFU

View full text Add to dashboard Cite

show abstract

“…In the classification context, ensemble classifiers (ECs) have shown their theoretic and empirical superiority over statistical classifiers, such as logistic regression [2], [3], decision tree [4], and neural networks [5]. Technically, the ECs aggregate multiple base classifiers to obtain a fused one, enabling the ECs to exploit all the strengths of base classifiers [6]. The ECs are success under the expert assumption, assuming that data are with complex feature space and each base classifier in ensemble is an expert of a specific region of feature space.…”

Section: Introductionmentioning

confidence: 99%

An Enhanced Dynamic Ensemble Selection Classifier for Imbalance Classification With Application to China Corporation Bond Default Prediction

Wang

Zhang

Yan³

2023

IEEE Access

View full text Add to dashboard Cite

China corporation bond default prediction is important and can be formulated as an imbalance classification problem solved by static ensemble classifiers. However, dynamic ensemble selection (DES) classifiers have not been applied to this typical problem in the context of business research. DES classifiers are capable of selecting an ensemble classifier for each test sample, leading to better classification performance than static ensemble classifiers. Most existing DES classifiers can not address imbalance classification optimally and only use single criteria of competent for classifier selection, resulting in sub-optimal classification performance. In this paper, we propose an enhanced DES classifier, named META-DES-Diversity, that inherits strengths of data sampling, meta-learning, criteria of diversity, and dynamic weighting fusion scheme to alleviate such limitations. Specifically, the synthetic minority over-sampling technique is initially used to balance the training set before generating a candidate classifier pool. To select an ensemble classifier with a highly competent, the meta-learning framework META-DES is utilized to consider multiple criteria of competence. In complement with the meta-leaning framework, a two-phase selection strategy is utilized to perform competence and diverse ensemble classifier selection. Note that a competencedriven decision fusion scheme is employed to effectively fuse classification results from selected ensemble classifiers. Experiments on 14 two-class imbalanced data sets from the KEEL repository and one self-collected China corporation bond data set show the effectiveness and superiority of the proposed enhanced DES classifier.

show abstract

“…Y Zhou et.al had developed a dataset with 1842 large fine grained annotated diabetic retinopathy images [22]. Authors in [23][24][25] proposed algorithms to overcome the considerations of missing and imbalanced data about diabetes. Authors in [26] developed a Multiview Convolutional Neural Network that can be used as feature classification for amnestic mild cognitive impairment with type2 diabetes.…”

Section: Introductionmentioning

confidence: 99%

Development of Image Based Model for Basic Standing Yoga Poses that Control Type-2 Diabetes

Nandan,

Madhavi

2023

IJRITCC

View full text Add to dashboard Cite

Yoga is one of the ancient practices originated in India that helps in balancing mind and body of human. For the past few decades it has got wide spread throughout the world. Many are practicing it in the presence of yoga tutor or following some online modes. But improper practice may cause major harm to muscles and ligaments of the human body. There are different asanas proposed in the Patanjali Yoga Sutra that can cure different diseases. This paper, proposes a mathematical model for a set of yoga asanas that can help cure Type -2 Diabetes. A noninvasive analysis has been implemented using Kinect Sensor and LabVIEW software to analyze the performance of the practitioner. The joints are subjected to the flexibility of the practitioner without any overstress.

show abstract

PE_DIM: An Efficient Probabilistic Ensemble Classification Algorithm for Diabetes Handling Class Imbalance Missing Values

Cited by 12 publications

References 54 publications

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

An Enhanced Dynamic Ensemble Selection Classifier for Imbalance Classification With Application to China Corporation Bond Default Prediction

Development of Image Based Model for Basic Standing Yoga Poses that Control Type-2 Diabetes

Contact Info

Product

Resources

About