dc.contributor.advisor | Sotiropoulos, Dionisios | |
dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.author | Karles, Panagiotis - Nektarios | |
dc.contributor.author | Κάρλες, Παναγιώτης - Νεκτάριος | |
dc.date.accessioned | 2024-09-23T08:35:46Z | |
dc.date.available | 2024-09-23T08:35:46Z | |
dc.date.issued | 2024-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16781 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4203 | |
dc.description.abstract | Αυτή ημελέτη αξιολογεί και συγκρίνει την απόδοση πέντε αλγορίθμων μηχανικής
μάθησης για ιατρική διάγνωση χρησιμοποιώντας ένα σύνολο δεδομένων από το Kaggle.
Οι αλγόριθμοι περιλαμβάνουν τους ταξινομητές Gradient Boosting, Decision Tree, Random
Forest, Logistic Regression και Multinomial Naive Bayes. Το σύνολο δεδομένων
προεπεξεργάστηκε και διαμερίστηκε χρησιμοποιώντας διασταυρούμενη επικύρωση για
αξιόπιστη αξιολόγηση μοντέλου. Οι μετρικές αξιολόγησης που χρησιμοποιήθηκαν ήταν
ακρίβεια, ακρίβεια, ανάκληση και F1-score. Όλοι οι αλγόριθμοι, εκτός από τον ταξινομητή
Multinomial Naive Bayes, παρουσίασαν εξαιρετική απόδοση σε όλες τις μετρικές. Τα
ευρήματα υπογραμμίζουν την αποτελεσματικότητα των αλγορίθμων μηχανικής μάθησης
στην ιατρική διάγνωση και παρέχουν μια βάση για μελλοντικές εξερευνήσεις σε αυτόν τον
τομέα. | el |
dc.format.extent | 47 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
dc.title | From symptom to solution : leveraging machine learning for improving healthcare prognosis | el |
dc.title.alternative | Από το σύμπτωμα στη λύση : αξιοποιώντας τη μηχανική μάθηση για τη βελτίωση της πρόγνωσης της υγείας | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | This study evaluates and compares the performance of five machine learning algorithms for
medical diagnosis using a Kaggle dataset. The algorithms include Gradient Boosting, Decision
Tree, Random Forest, Logistic Regression, and Multinomial Naive Bayes classifiers. The dataset
was preprocessed and partitioned using cross-validation for robust model evaluation. The
evaluation metrics used were accuracy, precision, recall, and F1-score. All algorithms, except
the Multinomial Naive Bayes Classifier, exhibited commendable performance across all metrics.
The findings underline the efficacy of machine learning algorithms in medical diagnosis and
present a foundation for future explorations in this domain. | el |
dc.contributor.master | Πληροφορική | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Deep learning | en |
dc.subject.keyword | Medical science | en |
dc.subject.keyword | Disease diagnosis | en |
dc.subject.keyword | Healthcare | en |
dc.subject.keyword | Classification models | en |
dc.subject.keyword | Random Forest Classifier | |
dc.subject.keyword | Decision Tree Classifier | |
dc.subject.keyword | Logistic regression | en |
dc.subject.keyword | Gradient Boosting Classifier | en |
dc.subject.keyword | Data preprocessing | |
dc.subject.keyword | Hyper parameter | en |
dc.date.defense | 2024-04-30 | |