Optimized Computational Methods for Disease Prediction Using Machine Learning
DOI:
https://doi.org/10.48047/cfehf924Palabras clave:
Disease Prediction, XGBoost, Deep Neural Network, LR, Random ForestResumen
Accurate disease prediction is crucial for early diagnosis and effective treatment planning. Traditional diagnostic methods often rely on manual examination, which can be time-consuming and prone to errors. This paper presents a comparative analysis of different ML algorithms used for disease prediction and explores optimization techniques such as feature selection, hyperparameter tuning, and ensemble learning. Our experimental results demonstrate the effectiveness of optimized ML models in improving prediction accuracy and reducing computational complexity.
Descargas
Referencias
applications, Alzubaidi, L., Zhang, J., Humaidi, A.J. et al. Review of deep learning: concepts, CNN architectures, challenges,
future directions. https://doi.org/10.1186/s40537-021-00444-8.
J Big Data 8, 53 (2021). Yamashita, R., Nishio, M., Do, R.K.G. et al. Convolutional neural networks: an overview and application in radiology. Insights Imaging 9, 611–629 (2018). https://doi.org/10.1007/s13244018-0639-9.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
- Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
- La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
- Atribución — Usted debe dar crédito de manera adecuada , brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
