From symptom to solution : leveraging machine learning for improving healthcare prognosis

Karles, Panagiotis - Nektarios; Κάρλες, Παναγιώτης - Νεκτάριος

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

Αρχεία σε αυτό το τεκμήριο

Name:: Karles_Panagiotis_mppl20027_MS ...
Μέγεθος:: 1.636Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα