We used classification accuracy as

We used classification accuracy as a simple, effective evaluation metric that is consistent with a naive bayes approach. Most of the dataset's attributes colud be selecyed as the target attribute; we focused on length of hospital stay; as a potential proxy for bote heatlth care quality and cost, and discharge status, for its obvious humanitarian implications.We also considered the number of diagnostic codes as another potential proxy for cost and severity of illness We also considered the number of diagnostic codes, as another potential proxy for cost and severity of illness. We divided the dataset into training and testing data, using 10-fold cross-validation. Cross validation is a method by which the data is randomly subdivided into subsets, in this case, ten. one subset is isolated for use as testing data and the remaining serve as training data. In successive iterations, the modl is run with each subset serving as testing data,and the results averaged. In this way, actual data values are available to calculate classification accuracy but bias is minimized.

ผลลัพธ์ (ไทย) 1:

เราใช้ถูกต้องจัดประเภทเป็นการวัดประเมินผลที่มีประสิทธิภาพ ง่ายที่สอดคล้องกับวิธีการ bayes ขำน่า ที่สุดของชุดข้อมูลของแอตทริบิวต์ colud จะ selecyed เป็นแอตทริบิวต์เป้าหมาย เราเน้นความยาวของโรงพยาบาล เป็นพร็อกซีอาจ bote heatlth ดูแลคุณภาพ และต้นทุน และปล่อย สถานะ ผลกระทบด้านมนุษยธรรมที่ชัดเจนเราได้พิจารณาจำนวนของรหัสการวินิจฉัยเป็นพร็อกซีเป็นไปได้อื่นสำหรับต้นทุน และความรุนแรงของการเจ็บป่วยเรายังถือว่าหมายเลขของรหัสการวินิจฉัย เป็นพร็อกซีเป็นไปได้อื่นสำหรับต้นทุนและความรุนแรงของการเจ็บป่วย เราแบ่งชุดข้อมูลฝึกอบรม และทดสอบข้อมูล ใช้ 10-fold ข้ามตรวจสอบ ตรวจสอบไขว้เป็นวิธีการโดยที่ข้อมูลเป็นแบบสุ่มปฐมภูมิเป็นชุดย่อย ในกรณีนี้ สิบ ย่อยหนึ่งแยกต่างหากสำหรับใช้ทดสอบข้อมูลและบริการที่เหลือเป็นข้อมูลการฝึกอบรมจะต้อง ในการวนซ้ำต่อเนื่อง modl ที่รัน ด้วยชุดย่อยแต่ละหน้าที่เป็นการทดสอบข้อมูล และผลลัพธ์ averaged ด้วยวิธีนี้ ค่าข้อมูลจริงมีคำนวณจัดประเภทความแม่นยำ แต่ย่อความโน้มเอียง

ผลลัพธ์ (ไทย) 2:

เราใช้ความแม่นยำในการจัดหมวดหมู่ง่ายเหมือนการประเมินผลที่มีประสิทธิภาพตัวชี้วัดที่มีความสอดคล้องกับแนวทาง bayes ไร้เดียงสา ส่วนใหญ่ของคุณลักษณะของชุดข้อมูลที่ colud จะ selecyed เป็นแอตทริบิวต์เป้าหมาย; เรามุ่งเน้นไปที่ระยะเวลาในการเข้าพักของโรงพยาบาล เป็นพร็อกซี่ที่มีศักยภาพสำหรับคุณภาพการดูแลขวด heatlth และค่าใช้จ่ายและสถานะการปล่อยสำหรับ implications.We มนุษยธรรมของตนที่เห็นได้ชัดนอกจากนี้ยังมีการพิจารณาจำนวนของรหัสการวินิจฉัยเป็นพร็อกซี่ที่อาจเกิดขึ้นอีกสำหรับค่าใช้จ่ายและความรุนแรงของการเจ็บป่วยเราถือว่ายังมีจำนวนของรหัสการวินิจฉัยเป็น อีกพร็อกซี่ที่มีศักยภาพสำหรับค่าใช้จ่ายและความรุนแรงของการเจ็บป่วย เราได้แบ่งชุดข้อมูลในการฝึกอบรมและข้อมูลการทดสอบโดยใช้ 10 เท่าข้ามการตรวจสอบ การตรวจสอบครอสเป็นวิธีที่ข้อมูลจะถูกแบ่งออกเป็นส่วนย่อยในกรณีนี้สิบ หนึ่งจะแยกย่อยเพื่อใช้เป็นข้อมูลการทดสอบและการให้บริการที่เหลือเป็นข้อมูลการฝึกอบรม ในการทำซ้ำต่อเนื่อง MODL จะทำงานกับแต่ละย่อยที่ทำหน้าที่เป็นข้อมูลการทดสอบและผลเฉลี่ย ด้วยวิธีนี้ค่าของข้อมูลที่เกิดขึ้นจริงที่มีอยู่ในการคำนวณการจำแนกความถูกต้อง แต่อคติจะลดลง

ผลลัพธ์ (ไทย) 3:

เราใช้ความแม่นยำในการจำแนกเป็นง่าย , ที่มีประสิทธิภาพการประเมินผลตัวชี้วัด ที่สอดคล้องกับแนวทางที่ไร้เดียงสา Bayes . ส่วนใหญ่คุณสมบัติของชุดข้อมูล colud เป็น selecyed เป็นแอตทริบิวต์เป้าหมาย เราเน้นความยาวของการเข้าพักที่โรงพยาบาล ; เป็นผู้รับมอบฉันทะที่มีศักยภาพทำให้ชื่อดดูแลคุณภาพ และต้นทุน และการปลดสถานะ ความชัดเจนต่อความหมาย .นอกจากนี้เรายังพิจารณาจำนวนของรหัสการวินิจฉัยเป็นอื่นพร็อกซี่ที่มีต้นทุนและความรุนแรงของการเจ็บป่วย นอกจากนี้เรายังพิจารณาจำนวนของรหัสการวินิจฉัยเป็นพร็อกซี่ที่มีต้นทุนและความรุนแรงของการเจ็บป่วย เราแบ่งชุดข้อมูลในการฝึกอบรมและการทดสอบข้อมูลโดยใช้ 10 โฟลด ข้ามการตรวจสอบเป็นวิธีการที่ข้อมูลจะถูกสุ่มแบ่งออกเป็นข้อมูลใน กรณีนี้ สิบ หนึ่งคือแยกย่อย เพื่อใช้เป็นข้อมูลการทดสอบ และที่เหลือใช้เป็นข้อมูลการฝึกอบรม ต่อเนื่องซ้ำ , modl คือวิ่งกับแต่ละย่อยที่ให้บริการเป็นข้อมูลทดสอบ และผลเฉลี่ย ในวิธีนี้ ค่าข้อมูลที่เป็นจริงพร้อมที่จะคำนวณความแม่นยำในการจำแนกแต่อคติน้อยที่สุด