लक्षणों से बीमारी की भविष्यवाणी करने के लिए सही तकनीक का चयन करना


9

मैं एक सिस्टम के लिए सही एल्गोरिदम के साथ आने की कोशिश कर रहा हूं जिसमें उपयोगकर्ता कुछ लक्षणों में प्रवेश करता है और सिस्टम को संभावना का अनुमान लगाना या निर्धारित करना पड़ता है कि कुछ चयनित लक्षण सिस्टम में मौजूद लोगों के साथ जुड़े हुए हैं। फिर उन्हें संबद्ध करने के बाद, परिणाम या आउटपुट लक्षणों के लिए एक विशिष्ट बीमारी होना चाहिए।

इस प्रणाली में प्रत्येक विशिष्ट लक्षणों के साथ रोगों की एक श्रृंखला शामिल है, जो प्रणाली में भी मौजूद है।

मान लेते हैं कि उपयोगकर्ता ने निम्नलिखित इनपुट दर्ज किया:

A, B, C, and D

पहली बात यह है कि सिस्टम को प्रत्येक लक्षण की जांच और संबद्ध करना चाहिए (इस मामले में वर्णमाला के अक्षरों द्वारा दर्शाया गया है) व्यक्तिगत रूप से पहले से मौजूद लक्षणों के डेटा-टेबल के खिलाफ है। और उन मामलों में जहां इनपुट मौजूद नहीं है, सिस्टम को रिपोर्ट करना चाहिए या इसके बारे में प्रतिक्रिया भेजनी चाहिए।

और यह भी बताएं कि A and Bडेटा-टेबल में था, इसलिए हम 100% सुनिश्चित हैं कि वे वैध हैं या मौजूद हैं और सिस्टम इनपुट के आधार पर बीमारी को बाहर निकालने में सक्षम है। तो चलो कहते हैं कि इनपुट अब है कि C and Dजहां Cडेटा तालिका में मौजूद नहीं है, लेकिन संभावना है कि है Dमौजूद है।

हम D100% का स्कोर नहीं देते हैं , लेकिन शायद कुछ कम हो (चलो 90% कहते हैं)। तो Cबस डेटा-टेबल में मौजूद नहीं है। तो, C0% का स्कोर प्राप्त करता है।

इसलिए, सिस्टम में उपयोगकर्ता के इनपुट को देखते हुए परिणाम को आउटपुट करने के लिए किसी प्रकार की एसोसिएशन और भविष्यवाणी तकनीक या नियम होने चाहिए।

उत्पादन उत्पन्न करने का सारांश:

If A and B were entered and exist, then output = 100%
If D was entered and existed but C was not, then output = 90%
If all entered don't exist, then output = 0%

इस प्रणाली का उत्पादन करने के लिए किन तकनीकों का उपयोग किया जाएगा?

जवाबों:


9

मुझे लगता है कि आप अपनी समस्या पर थोड़ा गलत आ रहे हैं ... आप जो अनिवार्य रूप से बात कर रहे हैं वह एक विश्वास नेटवर्क है।

आप इस के आसपास अपना सिर पाने के लिए मौजूदा बेयसियन लर्निंग तकनीकों को देखना चाहते हैं, लेकिन विश्वास नेटवर्क आमतौर पर उस सटीक परिदृश्य का उपयोग करते हैं जिसके बारे में आप बात कर रहे हैं; किसी विशेष आउटपुट की कुछ अनुमानित संभावना पैदा करने के लिए ज्ञात (या अनिश्चित तथ्यों) के एक सेट का उपयोग करना।

और भी, वे अक्सर ट्यूटोरियल में रोग-लक्षण आधारित उदाहरणों के माध्यम से इसे व्यक्त करते हैं! यहाँ कोशिश करो ।

मेरा कहना है कि एक विश्वास नेटवर्क का उपयोग करना बेहतर होगा क्योंकि सिद्धांत ग्राउंडवर्क एक एएनएन के बजाय आपके लिए पहले से ही है।


1
यदि आप खरोंच से बायेसियन नेटवर्क को लागू करना चाहते हैं, तो आपको उन्हें चलाने वाले कच्चे गणित को समझना होगा। नेटिका ( norsys.com/netica.html )
टिम एटकिंसन
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.