issues and requirements of the tool

issues and requirements of the tools selected for
the preprocessing phase.
At this stage after consulting with
the domain expert a few transformations were
implemented on the dataset to make the data more
suitable for the data mining algorithms.
The other data transformation like attribute
selection was necessary to reduce the number of
features a classification algorithm has to examine
and reduce errors from irrelevant features. I have
used best first search method to select the best
attributes from 15 attributes that were available.
In the next step I have selected appropriate
data mining technique for developing a predictive
model. After thoroughly checking the available
algorithms in Weka machine learning software
the algorithms Decision Tree, Neural Network and
Bayesian Classifier were selected for this study.
To employ the selected classification
algorithms four experiments were designed and
the experiments were conducted on a full training
dataset containing 7,339 instances. In all of the
experiments two scenarios were considered, one
containing all 15 attributes and the other only 8
selected attributes. 10-Fold Cross Validation was
adopted for randomly sampling the training and
test data sets. The Weka 3.6.4 machine learning
software was used for these purposes.
All the models built were evaluated to see
how they fulfill data mining goals. Algorithms were
evaluated on the basis of classification accuracy,
area under the ROC curve and confusion matrix
table.
Experimentation
Keeping in view the goal of this study
to predict heart disease using classification
techniques, I have used three different supervised
machine learning algorithms i.e., Decision Tree
Classification, Bayesian Classifier and Neural
Network.
Four experiments were conducted for this
study and for all experiments two situations were
considered, one containing all the 15 attributes and

ผลลัพธ์ (ไทย) 1:

ปัญหาและความต้องการของเครื่องมือสำหรับขั้นตอนการประมวลผลเบื้องต้นในขั้นตอนนี้หลังจากปรึกษากับผู้เชี่ยวชาญโดเมนได้กี่แปลงดำเนินการเกี่ยวกับชุดข้อมูลเพื่อให้ข้อมูลเพิ่มเติมเหมาะสำหรับอัลกอริทึมการทำเหมืองข้อมูลการแปลงของข้อมูลอื่น ๆ ที่เช่นแอททริบิวต์เลือกไม่จำเป็นต้องลดจำนวนคุณลักษณะที่มีอัลกอริทึมการจัดประเภทการตรวจสอบและลดข้อผิดพลาดจากคุณลักษณะที่ไม่เกี่ยวข้อง มีส่วนที่ใช้ค้นหาวิธีการเลือกดีที่สุดก่อนแอตทริบิวต์จากแอตทริบิวต์ 15 ที่มีในขั้นตอนถัดไป ที่ฉันได้เลือกที่เหมาะสมเทคนิคการทำเหมืองข้อมูลสำหรับพัฒนาเป็นงานแบบจำลอง หลังจากที่มีการตรวจสอบอย่างละเอียดอัลกอริทึมในซอฟต์แวร์ Weka เครื่องเรียนในอัลกอริทึมต้นไม้การตัดสินใจ โครงข่ายประสาท และทฤษฎี Classifier ถูกเลือกสำหรับการศึกษานี้การจ้างงานการจัดประเภทที่เลือกอัลกอริทึม 4 ทดลองถูกออกแบบ และทดลองได้ดำเนินการในการฝึกอบรมเต็มรูปแบบชุดข้อมูลที่ประกอบด้วยอินสแตนซ์ 7,339 ในทุกทดลองสถานการณ์สองได้ถือ หนึ่งประกอบด้วยทั้งหมด 15 แอตทริบิวต์และ 8 เท่านั้นเลือกแอตทริบิวต์ 10-Fold ถูกข้ามการตรวจสอบนำมาใช้เพื่อการสุ่มการสุ่มตัวอย่างการฝึกอบรม และทดสอบชุดข้อมูล เรียนรู้เครื่อง Weka 3.6.4ซอฟต์แวร์ที่ใช้สำหรับวัตถุประสงค์เหล่านี้แบบจำลองทั้งหมดที่สร้างขึ้นถูกประเมินเพื่อดูว่าจะตอบสนองเป้าหมายการทำเหมืองข้อมูล อัลกอริทึมได้ประเมิน โดยการจัดประเภทความแม่นยำพื้นที่ ROC โค้งและสับสนเมตริกซ์ตารางทดลองในมุมมองการรักษาเป้าหมายของการศึกษานี้การทำนายโรคหัวใจโดยใช้การจัดประเภทเทคนิค ฉันได้ใช้สามแตกต่างกันที่แบบมีผู้สอนเครื่องเรียนรู้อัลกอริทึมเช่น ต้นไม้การตัดสินใจการจัดประเภท ทฤษฎี Classifier และประสาทเครือข่ายได้ดำเนินการทดลองที่ 4 นี้ศึกษา และสำหรับการทดลองทั้งหมด ถูกสองสถานการณ์ถือ ประกอบด้วยแอตทริบิวต์ทั้งหมด 15 และ

ผลลัพธ์ (ไทย) 2:

ปัญหาและความต้องการของเครื่องมือที่เลือกไว้สำหรับ
ขั้นตอนการประมวลผลเบื้องต้น.
ในขั้นตอนนี้หลังจากปรึกษากับ
ผู้เชี่ยวชาญด้านการเปลี่ยนแปลงไม่กี่โดเมนที่ถูก
นำมาใช้ในชุดข้อมูลที่จะให้ข้อมูลที่มากขึ้น
เหมาะสำหรับขั้นตอนวิธีการทำเหมืองข้อมูล.
แปลงข้อมูลอื่น ๆ เช่นแอตทริบิวต์
เลือกเป็นสิ่งที่จำเป็น เพื่อลดจำนวนของ
คุณลักษณะขั้นตอนวิธีการจัดหมวดหมู่ที่มีการตรวจสอบ
และลดข้อผิดพลาดจากคุณสมบัติที่ไม่เกี่ยวข้อง ฉันได้
ใช้วิธีการค้นหาแรกที่ดีที่สุดในการเลือกที่ดีที่สุด
ตั้งแต่วันที่ 15 คุณลักษณะคุณลักษณะที่มีอยู่.
ในขั้นตอนต่อไปที่ผมได้เลือกที่เหมาะสม
เทคนิคการทำเหมืองข้อมูลสำหรับการพัฒนาทำนาย
รูปแบบ หลังจากการตรวจสอบอย่างละเอียดที่มี
ขั้นตอนวิธีการในการเรียนรู้ซอฟต์แวร์ Weka เครื่อง
อัลกอริทึมต้นไม้การตัดสินใจ, เครือข่ายประสาทเทียมและ
คชกรรมลักษณนามได้รับการคัดเลือกในการศึกษานี้.
การจ้างการจัดหมวดหมู่ที่เลือก
ขั้นตอนวิธีการทดลองสี่ได้รับการออกแบบและ
การทดลองได้รับการดำเนินการเกี่ยวกับการฝึกอบรมเต็มรูปแบบ
ชุดที่มี 7,339 กรณี . ในทุก
การทดลองสองสถานการณ์ที่ได้รับการพิจารณาอย่างใดอย่างหนึ่ง
ที่มีทั้งหมด 15 คุณลักษณะและอื่น ๆ เพียง 8
คุณลักษณะที่เลือก 10 เท่ารอการตรวจสอบที่ถูก
นำมาใช้สำหรับการสุ่มเก็บตัวอย่างการฝึกอบรมและ
ชุดข้อมูลการทดสอบ การเรียนรู้เครื่อง Weka 3.6.4
ซอฟแวร์ที่ใช้สำหรับวัตถุประสงค์เหล่านี้.
ทุกรุ่นที่สร้างขึ้นได้รับการประเมินเพื่อดู
ว่าพวกเขาตอบสนองเป้าหมายการทำเหมืองข้อมูล ขั้นตอนวิธีการที่ถูก
ประเมินบนพื้นฐานของความถูกต้องจำแนก
พื้นที่ใต้เส้นโค้ง ROC และเมทริกซ์สับสน
ตาราง.
การทดลอง
รักษาในมุมมองที่เป้าหมายของการศึกษาครั้งนี้
ที่จะคาดการณ์การเกิดโรคหัวใจโดยใช้การจำแนก
เทคนิคฉันได้ใช้ภายใต้การดูแลที่แตกต่างกันสาม
เครื่องคือการเรียนรู้ขั้นตอนวิธีต้นไม้การตัดสินใจ
จำแนกคชกรรมลักษณนามและประสาท
เครือข่าย.
สี่ทดลองนี้สำหรับ
การศึกษาและการทดลองทั้งหมดสองสถานการณ์ที่ได้รับการ
พิจารณาอย่างใดอย่างหนึ่งที่มีทั้งหมด 15 คุณลักษณะและ

ผลลัพธ์ (ไทย) 3:

ปัญหาและความต้องการของเครื่องมือเลือก

ติดกันเฟส ในขั้นตอนนี้ หลังจากที่ได้ปรึกษากับผู้เชี่ยวชาญน้อย

ใช้ในการแปลงเป็นข้อมูลเพื่อให้ข้อมูลเพิ่มเติมที่เหมาะสมสำหรับการทำเหมืองข้อมูลขั้นตอนวิธี
.
อื่น ๆการแปลงข้อมูลเช่นการเลือกคุณลักษณะ
จำเป็นต้องลดจำนวน
คุณสมบัติ การจำแนกขั้นตอนวิธีที่มีการตรวจสอบ
และลดความผิดพลาดจากคุณสมบัติที่ไม่เกี่ยวข้อง ผมได้ใช้วิธีการค้นหาที่ดีที่สุดครั้งแรก

เลือกคุณสมบัติที่ดีที่สุดจาก 15 คุณลักษณะที่พร้อมใช้งาน ในขั้นตอนต่อไป

ข้อมูลเหมืองแร่ที่เหมาะสมเทคนิคการพัฒนาแบบจำลอง

หลังจากอย่างละเอียดตรวจสอบขั้นตอนวิธีใช้ได้

ใน Weka เครื่องซอฟต์แวร์การเรียนรู้ขั้นตอนวิธีเครือข่ายประสาทและ
โครงสร้างการตัดสินใจคชกรรมแบบการวิจัยครั้งนี้ เลือกหมวดหมู่

ใช้ขั้นตอนวิธี 4 การทดลองถูกออกแบบและทำการทดลองบน

ข้อมูลการฝึกอบรมเต็มรูปแบบประกอบด้วยกรณี 7339 . ในทั้งหมดของ
การทดลองต่าง หนึ่ง
ที่มีทั้งหมด 15 คุณลักษณะและอื่น ๆเพียง 8
เลือกแอตทริบิวต์ 10 โฟลดคือ
ใช้สำหรับสุ่มสุ่มและการฝึกอบรม
ชุดทดสอบข้อมูล การ 3.6.4 เครื่องจักร Weka การเรียนรู้ซอฟต์แวร์ที่ถูกใช้สำหรับวัตถุประสงค์นี้
.
ทุกแบบ สร้างจำนวนที่เห็น
วิธีที่พวกเขาตอบสนองเป้าหมายของการทำเหมืองข้อมูล ขั้นตอนวิธีถูก
ประเมินบนพื้นฐานของการจัดหมวดหมู่ความถูกต้อง
พื้นที่ใต้โค้ง ROC และสับสน

3
เมทริกซ์ตาราง การรักษาในมุมมองเป้าหมายการศึกษา
ทำนายโรคหัวใจ โดยใช้เทคนิคการจำแนก
ผมใช้ทั้งสามต่างดูแล
อัลกอริทึมการเรียนรู้ของเครื่องจักร คือ การจำแนกต้นไม้
การตัดสินใจแบบเบส์และเครือข่ายประสาท
.
4 การทดลองการศึกษาและการทดลองทั้งหมด 2

ถือว่าสถานการณ์คือหนึ่งที่มีทั้งหมด 15 และแอตทริบิวต์