Ensemble methods forsolving problems ofmedical diagnosis; Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика; Т. 1, № 1
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: рецензируемый научный журнал/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2949-5407 Т. 1, № 1.— 2023.— С. 28-31 |
|---|---|
| Autore principale: | |
| Altri autori: | , |
| Riassunto: | The authors proposed the consolidating method for analyzing series of observations based on a fitted model of a mixture of catalysts of the maincomponents, which makes it possible to study any number of markers. Contrasting the longitudinal approach, it eliminates the need to connect re-gression analysis methods with their own uncertainties when choosing particular models. The consolidating methodallows obtaining an original re-sult in the subject area of early diagnosis of a disease: all options for using markers demonstrate an increase in classification accuracy with an in-crease in the length of a series of examinations Предложен консолидирующий метод анализа рядов наблюдений на основе аппроксимированной модели смеси катализаторов основных компонентов, позволяющий изучать любое количество маркеров. В отличие от лонгитюдного подхода он устраняет необходимость связывать методы регрессионного анализа с их собственными неопределенностями при выборе конкретных моделей. Консолидирующий метод позволяет получить оригинальный результат в предметной области ранней диагностики заболевания: все варианты использования маркеров демонстрируют повышение точности классификации с увеличением продолжительности серии об-следований Текстовый файл |
| Lingua: | russo |
| Pubblicazione: |
2023
|
| Soggetti: | |
| Accesso online: | http://earchive.tpu.ru/handle/11683/81871 https://doi.org/10.18799/29495407/2023/1/10 |
| Natura: | MixedMaterials Elettronico Capitolo di libro |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=674726 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 674726 | ||
| 005 | 20241209124853.0 | ||
| 090 | |a 674726 | ||
| 100 | |a 20240919d2023 k||y0rusy50 ba | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Ensemble methods forsolving problems ofmedical diagnosis |d Ансамблевые методы для решения задач медицинской диагностики |z rus |f A. A. Grigoreva, A. I. Trufanov, S. V. Grigorev | |
| 320 | |a References: p. 30 (5 titles) | ||
| 330 | |a The authors proposed the consolidating method for analyzing series of observations based on a fitted model of a mixture of catalysts of the maincomponents, which makes it possible to study any number of markers. Contrasting the longitudinal approach, it eliminates the need to connect re-gression analysis methods with their own uncertainties when choosing particular models. The consolidating methodallows obtaining an original re-sult in the subject area of early diagnosis of a disease: all options for using markers demonstrate an increase in classification accuracy with an in-crease in the length of a series of examinations | ||
| 330 | |a Предложен консолидирующий метод анализа рядов наблюдений на основе аппроксимированной модели смеси катализаторов основных компонентов, позволяющий изучать любое количество маркеров. В отличие от лонгитюдного подхода он устраняет необходимость связывать методы регрессионного анализа с их собственными неопределенностями при выборе конкретных моделей. Консолидирующий метод позволяет получить оригинальный результат в предметной области ранней диагностики заболевания: все варианты использования маркеров демонстрируют повышение точности классификации с увеличением продолжительности серии об-следований | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 672190 |9 672190 |t Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика |o рецензируемый научный журнал |f Национальный исследовательский Томский политехнический университет |c Томск |n ТПУ |d 2023- |x 2949-5407 | |
| 463 | 1 | |0 674707 |9 674707 |t Т. 1, № 1 |d 2023 |v С. 28-31 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a ансамблевое обучение | |
| 610 | 1 | |a агрегация данных | |
| 610 | 1 | |a статистическая классификация | |
| 610 | 1 | |a точность модели | |
| 610 | 1 | |a медицинский диагноз | |
| 610 | 1 | |a ensemble learning | |
| 610 | 1 | |a data aggregation | |
| 610 | 1 | |a statistical classification | |
| 610 | 1 | |a model accuracy | |
| 610 | 1 | |a medical diagnosis | |
| 700 | 1 | |a Grigoreva |b A. A. |g Anastasia Alexandrovna | |
| 701 | 1 | |a Trufanov |b A. I. |g Andrey Ivanovich | |
| 701 | 1 | |a Grigorev |b S. V. |g Stanislav Valentinovich | |
| 801 | 0 | |a RU |b 63413507 |c 20240919 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u http://earchive.tpu.ru/handle/11683/81871 |z http://earchive.tpu.ru/handle/11683/81871 | |
| 856 | 4 | |u https://doi.org/10.18799/29495407/2023/1/10 |z https://doi.org/10.18799/29495407/2023/1/10 | |
| 942 | |c CF | ||