| Titre : | Etude comparative et mise en œuvre des algorithmes du machine learning supervisé: pour diagnostic de l’hypothyroïdie |
| Auteurs : | DJOUDI Houssem, Auteur ; Derkaoui Orkia, Directeur de thèse |
| Type de document : | texte manuscrit |
| Format : | 126ص |
| Accompagnement : | CD |
| Langues: | Français |
| Index. décimale : | BUC-M 003878 |
| Catégories : | |
| Résumé : |
ملخص
تحتوي UCI) من ( والهدف السياق المستخدمة البيانات مجموعة . اآللي م ل ّ التع نماذج باستخدام ) الدرقية الغدة هرمون نقص ( الدرقية الغدة قصور تشخيص تحسين إلى الدراسة تهدف ). إلخ ،طبي تاريخ ،هرمونية اختبارات ( سريرية سمة ٣٠ مع عينة ٣٬٧٧٢ على . متانتهما و ٪ ٩٩ > دقتهما بسبب األخرى الخوارزميات على تفوقتا Random Forest و J48 الخوارزميات أفضل : الرئيسية االستنتاجات . الدرقية الغدة قصور لتصنيف األمثل هما Random Forest و J48 الخوارزميات . حاسمان أمران (IQR 3.0) الشاذة القيم زالة وا المفقودة القيم استبدال للبيانات : المسبقة المعالجة . النماذج استقرار ن حس ّ ي ُ (Supervised Discretization) الموجه التقسيم . ) بالفعل صلة ذات السمات ( األداء ن تحس ّ ال " (Filter) الترشيح " و " (Wrapper) الغالف " طرق : القيود Abstract Context and Objective The study aims to optimize the diagnosis of hypothyroidism (thyroid hormone deficiency) using machine learning models. The dataset used (from UCI) contains 3,772 instances with 30 clinical attributes (hormonal tests, medical history, etc.). Best Algorithms • J48 and Random Forest outperform others due to their accuracy (>99%) and robustness. Key Conclusions 1. 2. Algorithms: J48 and Random Forest are optimal for hypothyroidism classification. Preprocessing: o Replacing missing values and removing outliers (IQR 3.0) are critical. o Supervised discretization improves model stability. 3. Limitations: Wrapper and Filter methods do not improve performance (attributes are already relevant) Résumé Contexte et Objectif L'étude vise à optimiser le diagnostic de l'hypothyroïdie (déficit hormonal thyroïdien) via des modèles d'apprentissage automatique. Le dataset utilisé (provenant de l'UCI) contient 3 772 instances avec 30 attributs cliniques (tests hormonaux, antécédents médicaux, etc.). Meilleurs algorithmes : J48 et Random Forest surpassent les autres grâce à leur précision (>99%) et leur robustesse. Conclusions Clés 1. Algorithmes : J48 et Random Forest sont optimaux pour la classification de l'hypothyroïdie. 2. Prétraitement : Remplacer les valeurs manquantes et supprimer les outliers (IQR 3.0) sont cruciaux. La discrétisation supervisée améliore la stabilité des modèles. 3. Limites : Les méthodes Wrapper et Filter n'améliorent pas les performances (attributs déjà pertinents) |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 003878 Adobe Acrobat PDF |
