Meta-heuristické algoritmy pro výběr příznaků v klasifikaci srdečních onemocnění
Loading...
Date
Authors
Švestková, Tereza
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato práce je věnována postupům při výběru relevantních příznaků pro klasifikační úlohy týkající se srdečních onemocnění. Optimální výběr příznaků je klíčovým faktorem pro správnou funkčnost klasifikačních modelů a v případě medicíny pro zlepšení diagnostiky. Teoretická část pojednává o obecné klasifikační úloze ve strojovém učení. Dále jsou podrobněji popsány některé klasické postupy i novější meta-heuristické algoritmy pro efektivní selekci příznaků. Praktická část se věnuje aplikaci některých popsaných algoritmů na datové soubory související se srdečním onemocněním. Na základě ověření validity výsledku klasifikačního modelu podle vybraných příznaků běžnými postupy i evolučními algoritmy jsou diskutovány výhody a přínosy upřednostnění meta-heuristických algoritmů.
This thesis is devoted to the features selection for classification tasks related to heart disease. The optimal features selection is a key factor for the correct functionality of classification models and, in the case of medicine, for the improvement of diagnostics. The theoretical part discusses the general classification task in machine learning. Furthermore, some classic procedures as well as newer meta-heuristic algorithms for efficient feature selection are described in more detail. The practical part is devoted to the application of some of the described algorithms to data sets related to heart disease. The advantages and benefits of prioritizing meta-heuristic algorithms are discussed based on the verification of the validity of the result of the classification model according to selected symptoms of common procedures and evolutionary algorithms.
This thesis is devoted to the features selection for classification tasks related to heart disease. The optimal features selection is a key factor for the correct functionality of classification models and, in the case of medicine, for the improvement of diagnostics. The theoretical part discusses the general classification task in machine learning. Furthermore, some classic procedures as well as newer meta-heuristic algorithms for efficient feature selection are described in more detail. The practical part is devoted to the application of some of the described algorithms to data sets related to heart disease. The advantages and benefits of prioritizing meta-heuristic algorithms are discussed based on the verification of the validity of the result of the classification model according to selected symptoms of common procedures and evolutionary algorithms.
Description
Citation
ŠVESTKOVÁ, T. Meta-heuristické algoritmy pro výběr příznaků v klasifikaci srdečních onemocnění [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Pharm.Dr. Petr Babula, Ph.D. (předseda)
Ing. Lukáš Smital, Ph.D. (místopředseda)
Ing. Jan Odstrčilík, Ph.D. (člen)
Ing. Roman Jakubíček, Ph.D. (člen)
Ing. Helena Vítková, Ph.D. (člen)
Mgr. Bc. Darina Čejková, Ph.D. (člen)
Date of acceptance
2024-06-10
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Dr. Smital se doptal na datasety, konkrétně na dataset se srdečním selháním. Prof. Babula se zpetal na výběr datasetů a okomentoval počet respondentů.
Student úspěšně složil státní závěrečnou zkoušku
a odpověděla na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení