| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Klasifikatoru salīdzinoša analīze terapijas iznākuma prognozēšanas uzdevumā |
| Nosaukums angļu valodā |
The Comparative Analysis of Classifiers for Therapy Outcome Prediction Problem |
| Struktūrvienība |
12100 Informācijas tehnoloģijas institūts |
| Darba vadītājs |
Dr. sc. ing. Jurijs Čižovs |
| Recenzents |
Dr. sc. ing. Vitālijs Boļšakovs |
| Anotācija |
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. |
| Atslēgas vārdi |
mašīnapmācība, klasifikācija, mākslīgie neironu tīkli, lēmumu koki, Random Forest, RStudio |
| Atslēgas vārdi angļu valodā |
machine learning, classification, artificial neural network, decision trees, Random Forest, RStudio |
| Valoda |
lv |
| Gads |
2014 |
| Darba augšupielādes datums un laiks |
30.05.2014 01:30:36 |
