Ensemble model pro diagnostiku srdečních chorob

Awotimehin, Olasunkanmi Julius

Ensemble model pro diagnostiku srdečních chorob

DSpace Repository

Language: English čeština

Ensemble model pro diagnostiku srdečních chorob

dc.contributor.advisor	Šenkeřík, Roman
dc.contributor.author	Awotimehin, Olasunkanmi Julius
dc.date.accessioned	2023-12-20T13:25:27Z
dc.date.available	2023-12-20T13:25:27Z
dc.date.issued	2022-12-02
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/54270
dc.description.abstract	Vývoj ensemble modelu pro diagnózu srdečních chorob se v posledních letech stává stále populárnějším přístupem díky schopnosti zvýšit přesnost a robustnost tradičních modelů strojového učení. Tato práce představuje studii vývoje a hodnocení ensemble modelu pro diagnózu srdečních chorob. Navrhovaný model využívá několik algoritmů strojového učení, včetně KNN, logistické regrese, vícevrstvého perceptronu (MLP_ANN) a metody podpůrných vektorů, tak aby spojil vlastnosti každého jednotlivého algoritmu a dosáhl přesnějšího výsledky. Výběr features zahrnuje metody chi-kvadrát a informační zisk a výkonnost modelu je hodnocena pomocí standardních metrik. Výsledky ukazují, že ensemble model dosahuje lepších výsledků než tradiční jednotlivé modely a dosahuje vyšší úrovně přesnosti při diagnostice srdečních chorob. Ensemble model také projevuje vylepšenou robustnost, což je klíčové pro aplikace v reálném světě. Tato práce tak poskytuje cenné poznatky pro možný vývoj efektivnějších nástrojů pro diagnostiku srdečních chorob v budoucnosti.
dc.format	96 p.(22071 characters)
dc.language.iso	en
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	Ensemble model	cs
dc.subject	Diagnóza srdečních chorob	cs
dc.subject	Algoritmy strojového učení	cs
dc.subject	KNN	cs
dc.subject	Logistická regrese	cs
dc.subject	Vícevrstvý perceptron	cs
dc.subject	MLP_ANN	cs
dc.subject	Metoda podpůrných vektorů	cs
dc.subject	Feature selekce	cs
dc.subject	Chi-kvadrát	cs
dc.subject	Informační zisk	cs
dc.subject	Ensemble model	en
dc.subject	Diagnosing heart diseases	en
dc.subject	Machine learning algorithms	en
dc.subject	KNN	en
dc.subject	Logistic regres-sion	en
dc.subject	Multilayer perceptron	en
dc.subject	MLP_ANN	en
dc.subject	Support vector machines	en
dc.subject	Feature selection	en
dc.subject	Chi-square	en
dc.subject	Information gain	en
dc.title	Ensemble model pro diagnostiku srdečních chorob
dc.title.alternative	Development of Ensemble Model for Heart Disease Diagnosis
dc.type	diplomová práce	cs
dc.contributor.referee	Volná, Eva
dc.date.accepted	2023-06-15
dc.description.abstract-translated	Development of an ensemble model for diagnosing heart diseases has become increasingly popular in recent years due to its ability to enhance the accuracy and robustness of traditional machine learn-ing models. This study presents the development and evaluation of an ensemble model for diagnos-ing heart diseases. The proposed model utilizes several machine learning algorithms, including KNN, logistic regression, multilayer perceptron (MLP_ANN), and support vector machines, to combine the strengths of each algorithm and achieve more accurate results. Feature selection methods, such as chi-square and information gain, are employed, and the performance of the model is evaluated using standard metrics. The results demonstrate that the ensemble model outperforms individual tradition-al models and achieves higher accuracy in diagnosing heart diseases. The ensemble model also ex-hibits improved robustness, which is crucial for real-world applications. This work provides valuable insights for the potential development of more efficient tools for diagnosing heart diseases in the future.
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Information Technologies	cs
dc.thesis.degree-discipline	Information Technologies	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Engineering Informatics	cs
dc.thesis.degree-program	Engineering Informatics	en
dc.identifier.stag	64776
dc.date.submitted	2023-05-26