Predicazione dei codici di diagnosi

Question

Predicazione dei codici di diagnosi

#1 da (2 voti)

1

Sono molto nuovo nell'apprendimento automatico. Ho letto su di esso e ho fatto con successo un tutorial in cui abbiamo esaminato le dimensioni dei petali di Iris e abbiamo previsto quali altre dimensioni dei petali di Iris potrebbero essere. Tutto ciò aveva senso perché stavamo solo guardando i numeri.

Ho difficoltà a fare il prossimo passo. In definitiva, il progetto che voglio realizzare è questo:

Allenati con una serie di codici di diagnosi dalle visite al pronto soccorso.
Determina una tendenza, ad esempio, diciamo che le persone con asma sviluppano la BPCO.
Quindi prova con i dati di altre persone. L'idea è che queste persone hanno l'asma, possono sviluppare la BPCO.

Il problema che sto incontrando nel fare il salto è che i codici di diagnosi non sono numerici. Se puoi suggerire come avvicinarti a questo o darmi suggerimenti su cosa studiare, lo apprezzerei.

Grazie

machine-learning

posta Funkavenger 14.11.2018 - 23:33

fonte

1 risposta

Leggi altre domande sui tag machine-learning

Bulk Inserimento di dati con duplicati o inserimento riga per riga senza Cercando di capire il diagramma di sequenza

score 2 · Answer 1

I problemi di ML possono essere sostanzialmente suddivisi in problemi di regressione in cui vogliamo prevedere valori numerici e problemi classificazione dove vogliamo predire un valore categoriale. Tuttavia, questi due sono correlati e puoi spesso trasformare un problema di classificazione in un problema di regressione, ad es. codificando ogni classe come una variabile che può essere zero o uno. Quindi, invece di una singola variabile Diagnosis & in; {Asma, COPD, ...} potresti avere più variabili {Asma & in; [0,1], COPD & in; [0,1], ...}.

Si noti che non esiste una chiara delineazione tra algoritmi ML e statistiche computazionali, cioè statistiche ordinarie che un computer rende fattibile. A volte può essere opportuno calcolare semplicemente le correlazioni tra la diagnosi in un'unica fascia temporale con la diagnosi nella fascia temporale precedente e utilizzare tale correlazione per prevedere le probabilità per una data diagnosi nella successiva fascia temporale. Se si presta attenzione, una codifica di variabili sull'intervallo [0, 1] può essere interpretata direttamente come una probabilità. Anche se non è disponibile una forma chiusa per tali calcoli, le tecniche Monte Carlo possono spesso produrre buoni risultati.