Método dos K-Vizinhos mais Próximos aplicado ao dignóstico de Alzheimer
Resumo
Neste trabalho implementamos o método dos K-Vizinhos mais Próximos (kVP), um classificador de padrões que classifica um padrão desconhecido a partir das distâncias relativas a um conjunto de treino, juntamente com a técnica SMOTE (Synthetic Minority Over-sampling Technique), que trata o inconveniente de dados desbalanceados para realizarmos a seleção de características do problema de aprendizagem supervisionada em dados de Alzheimer. Em nosso experimento utilizamos algoritmos indutivos para selecionar subconjuntos de variáveis mais efetivas na caracterização dos estágios da doença e validamos sua precisão com o método de 10-fold cross validation. Abordagem, características a serem analisadas.
Palavras-chave
Reconhecimento de Padrões, Seleção de Características, K-Vizinhos mais Próximos, Mal de Alzheimer, Aprendizagem Supervisionada, Dados Desbalanceados
Texto completo:
PDFDOI: https://doi.org/10.5540/03.2015.003.02.0093
Apontamentos
- Não há apontamentos.
SBMAC - Sociedade de Matemática Aplicada e Computacional
Edifício Medical Center - Rua Maestro João Seppe, nº. 900, 16º. andar - Sala 163 | São Carlos/SP - CEP: 13561-120