基于机器学习的胎儿健康数据分类方法分析
机器学习
2023-11-21 v1
摘要
持续降低儿童死亡率的斗争常被用作衡量医学领域进展的基准。全球范围内，5岁以下儿童死亡率约为500万，其中很大一部分死亡是可避免的。鉴于该问题的重要性，基于机器学习的技术已成为评估胎儿健康的重要工具。本文中，我们分析了多种机器学习模型用于胎儿健康分析的分类性能。支持向量机（SVM）、随机森林（RF）和注意力可解释表格学习（TabNet）等多种机器学习模型在胎儿健康上的分类性能得到了评估。此外，主成分分析（PCA）和线性判别分析（LDA）等降维技术被实施，以用更少的特征获得更好的分类性能。TabNet模型在胎儿健康数据集上取得了94.36%的分类准确率。总体而言，该技术使医生和医疗专家能够实现精确的胎儿健康分类，并识别过程中最具影响力的特征。
引用
@article{arxiv.2311.10962,
title = {Classification Methods Based on Machine Learning for the Analysis of Fetal Health Data},
author = {Binod Regmi and Chiranjibi Shah},
journal= {arXiv preprint arXiv:2311.10962},
year = {2023}
}