迈向宽学习：医疗保健领域的实验
机器学习
2016-12-22 v2 机器学习
摘要
本文提出了一种 Wide Learning 架构，试图自动化机器学习(ML)流水线中的特征工程部分。特征工程被广泛认为是任何 ML 任务中最耗时且最需要专家知识的部分。所提出的特征推荐方法在 3 个医疗保健数据集上进行了测试：a) PhysioNet Challenge 2016 心音图(PCG)信号数据集，b) MIMIC II 光电容积脉搏波(PPG)信号血压分类数据集，c) PPG 信号的情绪分类数据集。虽然所提出的方法在第 2 和第 3 个数据集上超越了 state-of-the-art 技术，但它在 PhysioNet Challenge 2016 中达到了获胜者 94.38% 的准确率水平。在所有情况下，达到令人满意的性能所需的工作量都远少于（几天）手动特征工程。
引用
@article{arxiv.1612.05730,
title = {Towards Wide Learning: Experiments in Healthcare},
author = {Snehasis Banerjee and Tanushyam Chattopadhyay and Swagata Biswas and Rohan Banerjee and Anirban Dutta Choudhury and Arpan Pal and Utpal Garain},
journal= {arXiv preprint arXiv:1612.05730},
year = {2016}
}
备注
4 pages, Machine Learning for Health Workshop, NIPS 2016