Högskolan i Skövde

his.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
C-section birth data classification using ensemble modelling techniques and their performance analysis
Högskolan i Skövde, Institutionen för informationsteknologi.
2022 (Engelska)Självständigt arbete på avancerad nivå (magisterexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)
Abstract [en]

Data mining and machine learning techniques have a wide range of applications in businesses, healthcare, organizations, and academia, to name a few. Machinelearning has been used by several academics to construct decision support systems, analyse major clinical features, extract useful information from trends in historical data, generate predictions, and classify diseases. Successful research gave doctors the ability to make the best decisions at the correct moment. We plan to use the learning potential of machine learning methods to classify birth data utilizing bagging, boosting, and stacking classification algorithms in the current work. Diversity in living styles, medical aid, religious connotations, and the place you live in all have an impact on the people who live in that culture. The current study is a complete comparison of the bagging, boosting, and stacking classification algorithms used on the government hospital's birth data. The caret library in R, which is regarded as an encompassing framework for developing machine learning models, is used for the experiments. Different evaluation measures are used to offer accuracy-based results. Boosting features with regard to, sensitivity, and specificity, the Gradient Boosting Machine (GBM) performed somewhat better.

Ort, förlag, år, upplaga, sidor
2022. , s. 37
Nationell ämneskategori
Systemvetenskap, informationssystem och informatik
Identifikatorer
URN: urn:nbn:se:his:diva-21561OAI: oai:DiVA.org:his-21561DiVA, id: diva2:1680621
Ämne / kurs
Informationsteknologi
Utbildningsprogram
Data Science - magisterprogram
Handledare
Examinatorer
Tillgänglig från: 2022-07-04 Skapad: 2022-07-04 Senast uppdaterad: 2022-07-04Bibliografiskt granskad

Open Access i DiVA

fulltext(736 kB)341 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 736 kBChecksumma SHA-512
5ff5787d663121b081b35f4464bb077bb12411071f0203ee7a12f91d640faac7382ebaa858d71b06397c0df832c57512e799c364229da41742d723b2ad939569
Typ fulltextMimetyp application/pdf

Av organisationen
Institutionen för informationsteknologi
Systemvetenskap, informationssystem och informatik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 341 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 341 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf