Жарияланымдар / Публикации

Постоянный URI для этого сообществаhttps://cris.qyzpu.kz/handle/123456789/2

Просмотр

Фильтры

2022 - 20263

Настройки

Тема: search.filters.subject.logistic regression

Результаты поиска

Показано: 1 - 3 из 3
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    МАШИНАЛЫҚ ОҚЫТУ ӘДІСІНІҢ КӨМЕГІМЕН ЖҮРЕК АУРУЫН БОЛЖАУ
    (Mukhametzhan Tynyshbayev ALT University, 2022-10-28)
    Zhadyra N. Alimbayeva
    ;
    Кassymbek Ozhikenov
    ;
    Айдана Еркебай
    ;
    Chingiz A. Alimbayev
    ;
    Aiman K. Ozhikenova
    Мүгедектік пен өлім деңгейінің жоғары болуына байланысты жүрек-қан тамырлары ауруларын дер кезінде анықтау маңызды мәселе болып отыр. Бұл мақалада машиналық оқыту алгоритмдерін қолданып электрокардиосигналды өңдеу арқылы жүрек ауруын болжауға зерттеу жүргізілген. Жалпы, зерттеу барысында әртүрлі машиналық оқыту алгоритмдерімен 50000-нан астам сандық эксперимент жүргізілді. Салыстырмалы талдау негізінде машиналық оқытудың үлгілері мен әдістері таңдалып, ең жоғары жақсы көрсеткіш нәтиже берді. Зерттеуге келесі әдістер қолданылды: тірек векторлық машинасы, шешімдер ағашы, Байес классификаторы, логистикалық регрессия, k-жақын көршілер, кездейсоқ орман, терең нейрондық желілер. Таңдалған модельдер параметрлерді анықтау және тиімді қолдану үшін ұсынылды.
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    КЛАССИФИКАЦИЯЛЫҚ АЛГОРИТМДЕРДІ ҚОЛДАНЫП ДАУЫСТЫ ТАНУ
    (2025-03-31)
    Nurbapa Mekebayev
    ;
    Dauren Darkenbayev
    ;
    Модовов Н.А
    ;
    Орынтаева Ж.А.
    Дауыс тану жүйелері машиналық оқыту әдістеріне негізделген, оның ішінде классификациялық алгоритмдер кеңінен қолданылады. Классификация дауыс сигналдарын әртүрлі санаттарға, мысалы, сөздер немесе сөйлемдерге бөліп тануды жүзеге асырады. Бұл үдерісте жиі қолданылатын алгоритмдерге логистикалық регрессия, шешім ағаштары және нейрондық желілер жатады. Дауыс сигналын өңдеуде алдымен ерекшеліктері, яғни маңызды параметрлері, экстракцияланады, содан кейін олар классификаторға беріледі. Классификация нәтижесінде жүйе сөйлеген сөзді мәтінге түрлендіреді немесе дыбыстың нақты мазмұнын анықтайды. Бұл технология адам-компьютер өзара әрекеттестігін жақсарту үшін маңызды. Бұл мақалада машиналық оқыту әдістерін қолдана отырып, сөйлеушінің даусын анықтау мәселесін шешу үшін жіктеу алгоритмдерін қарастырамыз. Сөйлеудің алдын ала өңдеуде МҒСС-ті алгортимін пайдаландық. Жоғарыдағы мәселені шешу үшін бес жіктеу алгортмі қарастырылып, салыстырмалы талдау жасалды. Алғашқы эксперимент жасағанда ең жақсы нәтиже көрсеткен SVC алгортимі 0,90 және MLP Classifier алгоритмі 0,83 нәтижелерін көрсетті. Келесі экспермиентте жеке тұлғаның дауысын анықтауда неғұрлым үлкен дәлдікте Robust scaler әдісімен масштабтауда – 0,93 көпқабатты персептрон көрсете бастады. Сондықтан бұл мәселені шешу үшін сөйлеу сигналының ерекшелігін ескеретін көп қабатты перцептронды қолдануға болады.
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    Prediction of Percutaneous Coronary Intervention from Clinical and ECG Data Using Machine Learning: A Retrospective Single-Center Observational Study
    (Multidisciplinary Digital Publishing Institute, 2026-05-06)
    Zhadyra N. Alimbayeva
    ;
    Chingiz A. Alimbayev
    ;
    Kassymbek Ozhikenov
    ;
    Kairat Karibayev
    ;
    Aiman K. Ozhikenova
    The aim of this study was to evaluate the feasibility of predicting percutaneous coronary intervention (PCI) based on clinical, laboratory, and electrocardiographic data available at various stages of hospitalization. A retrospective single-center study was conducted, including 137 patients with suspected coronary artery disease. The fact that PCI was performed during the current hospitalization was considered as the endpoint. Taking into account the temporary availability of data, three sets of signs were formed: basic (SAFE), including indicators available at admission; clinical (CLINICAL); and extended (EXTENDED), supplemented with glycemic parameters. Logistic regression, random forest, and gradient boosting were used to build the models. The assessment was carried out using repeated stratified cross-validation (5 × 10). The main metrics were ROC-AUC, PR-AUC, accuracy and F1-measure. The models demonstrated moderate predictive ability. The basic model (SAFE) showed a ROC-AUC of 0.734 ± 0.092, while the best results were achieved using an extended model based on a random forest (ROC-AUC 0.755 ± 0.079). The addition of glycemic parameters provided a moderate improvement in prediction quality. In the logistic regression, the most significant predictor was the presence of type 2 diabetes mellitus (OR = 7.36; p < 0.001). The results indicate the potential for using non-invasive data to assess the likelihood of PCI in the early stages of hospitalization. However, the models show moderate accuracy and require further validation on larger and more independent samples.