Académique Documents
Professionnel Documents
Culture Documents
Los biomarcadores de líquido cefalorraquídeo (LCR) amiloide b 1-42 (Ab42), tau total
(tau) y tau fosforilado (Ptau) pueden ayudar en el diagnóstico de la enfermedad de
Alzheimer (AD). Se seleccionaron 1809 sujetos con diagnóstico de EA (n= 1004), deterioro
cognitivo leve (MCI) (n =363) o deterioro cognitivo subjetivo (SCD; n = 442) de la
Cohorte de Demencia de Amsterdam, que visitó nuestra clínica ambulatoria para
diagnóstico en el período comprendido entre octubre de 2000 y julio de 2015, y de los
cuales se disponía de valores de biomarcadores de LCR. Todos los sujetos se sometieron a
una evaluación estandarizada de la demencia en la línea de base, incluidos exámenes físicos
y neurológicos, pruebas cognitivas, un electroencefalograma, imágenes de resonancia
magnética y pruebas de laboratorio.
Las características de los sujetos según el grupo de diagnóstico en resumen, las cohortes de
capacitación y validación utilizadas para construir y validar el árbol de decisiones no
difirieron en las características de los sujetos. Tanto en los conjuntos de datos de
entrenamiento como en los de validación, los controles eran algo más jóvenes que los
pacientes con EA, más a menudo mujeres, y tenían un nivel más alto de educación. Como
se esperaba, los puntajes del examen de estado mini-mental y los niveles de CSF Ab42, tau
y Ptau fueron anormales en pacientes con AD en comparación con los controles en ambos
conjuntos de datos. Además, los pacientes con AD más a menudo portaban un alelo APOE
e4 en comparación con los controles en ambos conjuntos de datos.
El principal hallazgo de este estudio es que un árbol de decisión, que consta de dos valores
de corte de Ab42 a 801 pg / ml y 647 pg / ml y un límite de tau a 374 pg / ml, se distingue
mejor entre los controles y la demencia AD. Como resultado, se identificaron dos
subgrupos AD y dos subgrupos de control que mostraron distintos perfiles de
biomarcadores de LCR. La edad, el Ptau, el sexo y el estado de APOE no contribuyeron a
la clasificación.
En este método, el marco de SVM del árbol de decisión se establece primero mediante el
cálculo del grado de confusión de la emoción, y luego se seleccionan las características con
mayor capacidad de distinción para cada SVM del árbol de decisión según el criterio de
Fisher. Finalmente, el reconocimiento de la emoción del habla se realiza en base a este
modelo. El árbol de decisión SVM con la selección de características de Fisher en CASIA
Chinese speech speech corpus y Berlin speech corpus se construyen para validar la eficacia
de nuestro marco. Los resultados experimentales muestran que la tasa promedio de
reconocimiento de emociones basada en el método propuesto es un 9% más alta que el
método de clasificación SVM tradicional en CASIA, y un 8,26% más alta en el corpus de
habla de Berlín. Se verifica que el método propuesto puede reducir efectivamente la
confusión emocional y mejorar la tasa de reconocimiento de emociones.
Con el fin de encontrar las mejores características emocionales del habla y establecer un
modelo de reconocimiento efectivo en el reconocimiento de la emoción del habla, en este
artículo se propuso un método de reconocimiento de la emoción del habla basado en el
árbol de decisión SVM con la selección de características de Fisher. Sobre la base de la
estrategia, se construyó los marcos del sistema en el corpus del habla chino de CASIA y el
corpus del discurso de Berlín EMO-DB. En primer lugar, el marco SVM del árbol de
decisión se construye calculando el grado de confusión emocional.
Este estudio tuvo como objetivo identificar a los pacientes con el mayor riesgo de
enfermedad periodontal (EP) y brindar recomendaciones para el uso efectivo y la aplicación
de técnicas de minería de datos (DM) al establecer políticas de atención dental basadas en
evidencia para grupos vulnerables con un alto riesgo. De EP
En este trabajo se demuestra que el modelo de árbol de decisión es una técnica eficaz de
DM para identificar los factores de riesgo complejos para la EP. Se espera que estos
resultados sean útiles para mejorar la igualdad y la eficacia de las políticas de atención
dental para grupos vulnerables con un alto riesgo de EP.
P2P net loan default risk based on Spark and complex network analysis based on
wireless network element data environment
Por lo tanto, a partir de la situación de gestión real de la plataforma de préstamos neta P2P,
se estudió el riesgo de incumplimiento del préstamo neto en función de la tecnología Spark
en el entorno de redes inalámbricas. El algoritmo de minin de datos del árbol de decisión se
introdujo para construir el modelo de alerta temprana del riesgo de incumplimiento de
préstamo neto, que logró un control efectivo de los enlaces de riesgo.
A partir de las características difusas que afectaron los factores inciertos del crédito
crediticio neto, se estableció un modelo de algoritmo híbrido de optimización de árbol de
decisión C4.5. Los resultados de la simulación muestran que el modelo de optimización
híbrido tiene un buen valor de aplicación.
Los resultados del experimento han demostrado que el estudio es exitoso. Sin embargo,
todavía hay algunas mejoras en esta investigación. El siguiente paso es seguir estudiando el
método de poda del algoritmo de optimización del árbol de decisiones.
Selecting a representative decision tree from an ensemble of decision‑tree models for
fast big data classification
Bibliografia
Babapour Mofrad, R., Schoonenboom, N. S. M., Tijms, B. M., Scheltens, P., Visser, P. J.,
van der Flier, W. M., & Teunissen, C. E. (2019). Decision tree supports the interpretation
of CSF biomarkers in alzheimer's disease.Alzheimer's and Dementia: Diagnosis,
Assessment and Disease Monitoring, 11, 1-9. doi:10.1016/j.dadm.2018.10.004
Lee, J. -., Jeong, S. -., & Choi, S. -. (2019). Predictive data mining for diagnosing
periodontal disease: The korea national health and nutrition examination surveys
(KNHANES V and VI) from 2010 to 2015. Journal of Public Health Dentistry, 79(1), 44-
52. doi:10.1111/jphd.12293
Sun, L., Fu, S., & Wang, F. (2019). Decision tree SVM model with fisher feature selection
for speech emotion recognition. Eurasip Journal on Audio, Speech, and Music
Processing, 2019(1) doi:10.1186/s13636-018-0145-5
Tong, Z., & Chen, X. (2019). P2P net loan default risk based on spark and complex
network analysis based on wireless network element data environment. Eurasip Journal on
Wireless Communications and Networking, 2019(1) doi:10.1186/s13638-019-1345-0
Weinberg, A. I., & Last, M. (2019). Selecting a representative decision tree from an
ensemble of decision-tree models for fast big data classification. Journal of Big Data, 6(1)
doi:10.1186/s40537-019-0186-3