Buchumschlag

Time Series Classification by Boosting Interval Based Literals

Fuente: Redalyc

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Juan J. Rodríguez Diez
Format:	Artículo científico
Sprache:	es
Veröffentlicht:	Asociación Española para la Inteligencia Artificial 2000
Schlagworte:	Ingeniería Perceptrón Clasificación Regla de Bayes Diagnóstico Médico Predicción de Recidiva
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

_version_	1876482332402122752
author	Juan J. Rodríguez Diez
author_facet	Juan J. Rodríguez Diez
contents	Time Series Classification by Boosting Interval Based Literals Juan J. Rodríguez Diez Carlos J. Alonso González Ingeniería Perceptrón Clasificación Regla de Bayes Diagnóstico Médico Predicción de Recidiva La predicción de recidiva en pacientes que han sido operados de cáncer de mama juega un papel muyimportante en tareas médicas como el diagnostico y la planificación del tratamiento que hay que realizarle almismo. En la actualidad, los expertos médicos están llevando a cabo estas tareas usando técnicas nonuméricas. Las redes neuronales artificiales se muestran como una herramienta potente para el análisis deconjuntos de datos donde hay relaciones no lineales entre los datos a estudio y la información a ser predecida.En este artículo estimamos tanto la probabilidad de clasificación correcta como la regla de Bayes utilizando unperceptrón multicapa, que nos permite, al mismo tiempo, conocer la precisión de la regla de decisión obtenida.Este estudio se ha aplicado en la predicción de recidiva de pacientes operados de cáncer de mama, usando paraello datos clínico-patológicos (tamaño del tumor, edad del paciente, receptores de estrógenos, etc.) procedentesdel servicio médico de Oncología del Hospital Clínico Universitario de Málaga. Se han estudiado diferentestopologías del perceptrón multicapa para obtener la mejor precisión en la predicción. Los resultados actualesmuestran que, después del proceso de aprendizaje, el modelo teórico final propuesto es apropiado para hacerpredicciones de la probabilidad de recidiva en diferentes intervalos de tiempo 2000 artículo científico 1137-3601 https://www.redalyc.org/articulo.oa?id=92541101 es http://www.redalyc.org/revista.oa?id=925 Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial application/pdf Asociación Española para la Inteligencia Artificial Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial (España) Num.11 Vol.4
format	Artículo científico
id	redalyc_92541101
institution	Redalyc
language	es
publishDate	2000
publisher	Asociación Española para la Inteligencia Artificial
spellingShingle	Time Series Classification by Boosting Interval Based Literals Juan J. Rodríguez Diez Ingeniería Perceptrón Clasificación Regla de Bayes Diagnóstico Médico Predicción de Recidiva Time Series Classification by Boosting Interval Based Literals Juan J. Rodríguez Diez Carlos J. Alonso González Ingeniería Perceptrón Clasificación Regla de Bayes Diagnóstico Médico Predicción de Recidiva La predicción de recidiva en pacientes que han sido operados de cáncer de mama juega un papel muyimportante en tareas médicas como el diagnostico y la planificación del tratamiento que hay que realizarle almismo. En la actualidad, los expertos médicos están llevando a cabo estas tareas usando técnicas nonuméricas. Las redes neuronales artificiales se muestran como una herramienta potente para el análisis deconjuntos de datos donde hay relaciones no lineales entre los datos a estudio y la información a ser predecida.En este artículo estimamos tanto la probabilidad de clasificación correcta como la regla de Bayes utilizando unperceptrón multicapa, que nos permite, al mismo tiempo, conocer la precisión de la regla de decisión obtenida.Este estudio se ha aplicado en la predicción de recidiva de pacientes operados de cáncer de mama, usando paraello datos clínico-patológicos (tamaño del tumor, edad del paciente, receptores de estrógenos, etc.) procedentesdel servicio médico de Oncología del Hospital Clínico Universitario de Málaga. Se han estudiado diferentestopologías del perceptrón multicapa para obtener la mejor precisión en la predicción. Los resultados actualesmuestran que, después del proceso de aprendizaje, el modelo teórico final propuesto es apropiado para hacerpredicciones de la probabilidad de recidiva en diferentes intervalos de tiempo 2000 artículo científico 1137-3601 https://www.redalyc.org/articulo.oa?id=92541101 es http://www.redalyc.org/revista.oa?id=925 Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial application/pdf Asociación Española para la Inteligencia Artificial Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial (España) Num.11 Vol.4
title	Time Series Classification by Boosting Interval Based Literals
topic	Ingeniería Perceptrón Clasificación Regla de Bayes Diagnóstico Médico Predicción de Recidiva
url	https://www.redalyc.org/articulo.oa?id=92541101