Graduate papers
  
Description of the graduate paper
Form of studies Master
Title of the study programm Information Technology
Title in original language Klasifikatoru salīdzinoša analīze terapijas iznākuma prognozēšanas uzdevumā
Title in English The Comparative Analysis of Classifiers for Therapy Outcome Prediction Problem
Author Romans Žuks
Department 12100 Institute of Information Technology
Scientific advisor Dr. sc. ing. Jurijs Čižovs
Reviewer Dr. sc. ing. Vitālijs Boļšakovs
Abstract Maģistra darbā ir apskatīta C hepatīta kombinētas terapijas efektivitātes prognozēšanas problēma. Šīs problēmas ietvaros ir analizēta datu kopa no Stradiņa Universitātes molekulārās ģenētikas zinātniskās laboratorijas ar datiem par pacientiem, kuriem tika pielietota terapija. Darba mērķis ir veikt klasifikatoru salīdzinošo analīzi terapijas efektivitātes prognozēšanai. Augstas prognozēšanas precizitātes svarīgumu nosaka tas, ka Hepatīta C kombinēta terapija ir riskants un dārgs process, un, ja ir noteikts, ka tā būs neefektīva, tad ir jāmeklē citas terapijas kombinācijas. Darba gaitā ir veikta datu kopas analīze un pirmapstrāde un ir izveidotas divas apakškopas pirmajā ir dati, kuri iegūti pirms terapijas, bet otra ir papildināta ar datiem, kuri ir iegūti terapijas gaitā. Abām apakškopām ir veikta atribūtu novērtēšana, lai noteiktu katra atribūta ietekmi uz terapijas iznākumu. Pielietojot datu ieguves klasifikācijas metodes abās apakškopās, ir iegūti modeļi, kuri palīdz noteikt prognozi par terapijas efektivitāti divos laika momentos pirms terapijas un trīs mēnešus pēc terapijas sākuma. Kopumā darbā ir izmantotas trīs klasifikācijas metodes: C4.5 lēmumu koki, Random Forest un mākslīgie neironu tīkli. Eksperimentu realizēšanai ar klasifikatoriem, kā arī iegūto modeļu novērtēšanai ir izstrādāti palīgrīki. Modeļu novērtēšanai ir pielietota šķērsvalidācijas pieeja, un par modeļu efektivitātes novērtēšanas kritēriju ir noteikts nepareizi klasificētu ierakstu procents. Pēc rezultātu salīdzināšanas ir noteikts labākais klasifikators dotajam uzdevumam.
Keywords mašīnapmācība, klasifikācija, mākslīgie neironu tīkli, lēmumu koki, Random Forest, RStudio
Keywords in English machine learning, classification, artificial neural network, decision trees, Random Forest, RStudio
Language lv
Year 2014
Date and time of uploading 30.05.2014 01:30:36