Name: Rilevamento Delle Malattie Cardiovascolari Mediante Selezione Ottimale Delle Caratteristiche (en Italiano)
Price: 182.98 PEN
Availability: InStock
Author: Gade, Mary Swarna Latha; K, Laxmi Narayanamma
ISBN: 9786208477479

portada Rilevamento Delle Malattie Cardiovascolari Mediante Selezione Ottimale Delle Caratteristiche (en Italiano)

Rilevamento Delle Malattie Cardiovascolari Mediante Selezione Ottimale Delle Caratteristiche (en Italiano)

Formato

Libro Físico

Editorial

Edizioni Sapienza

Autor

Gade, Mary Swarna Latha; K, Laxmi Narayanamma

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

ISBN13

9786208477479

Rilevamento Delle Malattie Cardiovascolari Mediante Selezione Ottimale Delle Caratteristiche (en Italiano)

Gade, Mary Swarna Latha; K, Laxmi Narayanamma (Autor) · Edizioni Sapienza · Tapa Blanda

Más barato Libro Nuevo Importado

Envío: 21 a 26 días háb.

S/ 406,63S/ 182,98

-55%

Más rápido Libro Nuevo Importado

Envío: 12 a 17 días háb.

S/ 433,45S/ 195,05

-55%

Costos de importación incluídos en el precio ✅

Libro Nuevo Más barato

Quedan 10 unidades

S/ 182,98

Llega entre el 04 Sep y el 14 Sep a CERCADO DE LIMA, Lima. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Rilevamento Delle Malattie Cardiovascolari Mediante Selezione Ottimale Delle Caratteristiche (en Italiano)"

Le malattie cardiovascolari (CVD) rimangono una delle principali cause di morte a livello globale, sottolineando la necessità di un'accurata diagnosi precoce. Questo studio presenta un framework basato sull'apprendimento automatico per il rilevamento di CVD utilizzando i segnali ECG, concentrandosi sulla selezione avanzata delle caratteristiche. Il sistema integra il Fast Correlation-Based Filter (FCBF), il Minimum Redundancy Maximum Relevance (mRMR), il Relief e la Particle Swarm Optimization (PSO) per identificare le caratteristiche più rilevanti e non ridondanti. FCBF rimuove i dati ridondanti, mRMR seleziona le caratteristiche chiave rilevanti, Relief classifica le caratteristiche in base al loro potere di distinguere le classi e PSO ottimizza il set finale di caratteristiche. La classificazione viene eseguita utilizzando i classificatori Extra Trees e Random Forest, noti per l'elevata precisione e la resistenza all'overfitting. Il modello combinato ha raggiunto un tasso di accuratezza del 100% su diversi set di dati, superando i metodi esistenti e dimostrando prestazioni superiori nella selezione delle caratteristiche e nella classificazione. Questa struttura ha un forte potenziale per migliorare la diagnosi precoce di CVD e migliorare il processo decisionale clinico.