机构名称：
¥ 1.0
大脑中风是普遍死亡的第二大大量原因，在过去几年中一直是公共卫生的主要关注。借助机器学习技术，可以访问各种冲程警报的早期检测，这可以有效防止或减少中风。医学数据集在其类标签上经常不平衡，倾向于预测少数群体的趋势。在本文中，研究了中风的潜在危险因素。此外，还采用了四种独特的方法来改善中风数据集中少数群体的分类，这是合成重量投票分类器，合成的少数群体过度采样技术（SMOTE），主要组成部分分析，具有K-Means聚类（PCA-KMEANS）的主要成分分析（PCA-KMEANS），局灶性损失，与深度神经网络（COMPAL SERVANCY）（COMPAR）（DNN）（DNN）（DNN）（DNN）（DNN）（DNN）（DNN）。通过分析结果，具有DNN-局灶性损失的Smote和PCA-KMEANS最适合有限的大型严重不平衡数据集（例如，中风数据集），这是2-4倍以优于Kaggle的工作。关键字：不平衡数据集，中风预测，集合权重投票分类器，Smote，dnn的焦点损失，PCA-KMEANS
机器学习绩效分析以基于
主要关键词
相关文件推荐
