在医学分析系统中进行分类特征的预处理
Marc Hermes1, Timo Wolters1, Nico Schult1
1Division Health, OFFIS - Institute for Information Technology, Escherweg 2, Oldenburg, Germany.
Studies in health technology and informatics
|August 23, 2024
概括
这项研究引入了一种新的自然语言处理 (NLP) 启发的方法,使用滑动窗口和隐藏的迪里克莱特分配 (LDA) 来预测医疗分析系统中的用户交互. 这种方法可以提高机器学习模型的性能,用于复杂的癌症数据分析.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 癌症数据分析系统是复杂的,给系统和用户带来了挑战.
- 协助用户需要了解他们在这些系统中的交互模式.
- 识别用户行为模式对于开发有效的用户支持至关重要.
研究的目的:
- 为了预测CARESS医疗分析系统中的下一个用户交互.
- 开发和评估一个有效的用户交互数据预处理方案.
- 提高机器学习算法在分析用户行为的性能.
主要方法:
- 利用机器学习算法来分析用户行为模式.
- 提出了一种以自然语言处理 (NLP) 为灵感的预处理方法.
- 实现了一个滑动窗口与隐藏的迪里克莱特分配 (LDA) 结合,从最近的用户交互中提取隐藏的主题.
- 将拟议的方案与一次性编码和特征散列进行了比较.
主要成果:
- 滑窗LDA预处理方案显著改善了用户交互的预测.
- 拟议的NLP启发的方法优于传统的方法,如一热编码和特征散列.
- 该方法成功地保持了用户交互特征的分类语义凝聚力.
结论:
- 滑动窗口LDA方案是分析复杂领域用户行为的有希望的解决方案.
- 这项研究为开发医疗分析系统中更好的用户辅助提供了基础.
- 进一步的研究可以建立在这些发现的基础上,以增强专业软件的用户支持.
关键词:
在 LDA LDA 中.医疗分析系统 医疗分析系统在NLP中,我们使用了NLP.分类编码的编码.这是分类分类的分类.组合学习组合学习功能哈希处理 哈希处理一个热的热.在线学习在线学习.预处理 预处理更多相关视频
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.4K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
