在医疗图像处理机器学习中,培训和测试比率之间的权衡.

科学领域:

• 计算机科学 计算机科学
• 数据科学数据科学数据科学
• 生物医学成像技术 生物医学成像技术

背景情况:

• 人工智能 (AI) 和机器学习 (ML) 对于决策越来越重要.
• 模型性能高度依赖于培训与测试数据的比例.
• 有效的模型概括需要仔细考虑数据集的分割.

研究的目的:

• 调查不同列车测试分割比对ML模型性能的影响.
• 评估这些比率如何影响模型概括能力.
• 为各种ML应用确定最佳的分割策略.

主要方法:

• 用了BraTS 2013数据集进行分析.
• 训练了多个ML模型,包括后勤回归,随机森林,K-最近邻居和支持向量机器.
• 通过从60:40到95:05.5的列车测试分割比率进行了实验.

主要成果:

• 在不同列车测试分割比率中观察到模型准确度的显著变化.
• 证明了极端的比率可以导致过度装配或不足装配.
• 强调了绩效指标,统计学意义和资源分配之间的权衡.

结论:

• 选择最佳的列车测试分割比率对于可靠的ML模型开发至关重要.
• 均衡模型性能和通用化需要仔细选择比率.
• 调查结果为通过战略数据分割来提高ML应用程序的有效性提供了见解.