liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A-Test Method for Quantifying Structural Risk and Learning Capacity of Supervised Machine Learning Methods
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Tekniska fakulteten.
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Tekniska fakulteten. Department of Information Science and Media Studies, University of Bergen, Norway.
2022 (Engelska)Ingår i: Studies in Health Technology and Informatics, ISSN 0926-9630, E-ISSN 1879-8365, Vol. 289, s. 132-135Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

This paper presents an original method for studying the performance of the supervised Machine Learning (ML) methods, the A-Test method. The method offers the possibility of investigating the structural risk as well as the learning capacity of ML methods in a quantitating manner. A-Test provides a powerful validation method for the learning methods with small or medium size of the learning data, where overfitting is regarded as a common problem of learning. Such a condition can occur in many applications of bioinformatics and biomedical engineering in which access to a large dataset is a challengeable task. Performance of the A-Test method is explored by validation of two ML methods, using real datasets of heart sound signals. The datasets comprise of children cases with a normal heart condition as well as 4 pathological cases: aortic stenosis, ventricular septal defect, mitral regurgitation, and pulmonary stenosis. It is observed that the A[1]Test method provides further comprehensive and more realistic information about the performance of the classification methods as compared to the existing alternatives, the K-fold validation and repeated random sub-sampling.

Ort, förlag, år, upplaga, sidor
Amsterdam, The Netherlands: IOS Press, 2022. Vol. 289, s. 132-135
Nyckelord [en]
A-Test method, structural risk, learning capacity, heart sounds
Nationell ämneskategori
Teknik och teknologier Datorsystem
Identifikatorer
URN: urn:nbn:se:liu:diva-182397DOI: 10.3233/shti210876PubMedID: 35062109OAI: oai:DiVA.org:liu-182397DiVA, id: diva2:1629456
Tillgänglig från: 2022-01-17 Skapad: 2022-01-17 Senast uppdaterad: 2022-02-08Bibliografiskt granskad

Open Access i DiVA

fulltext(218 kB)90 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 218 kBChecksumma SHA-512
edfb81b682d2afeb2ea2965a89434da689d6873aea46ae34f94e1a3a9484ed6a62d42ff2b69f5f1678b1da4739336527431cfd21316f782c32b9faf2215be7b6
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextPubMed

Person

Gharehbaghi, ArashBabic, Ankica

Sök vidare i DiVA

Av författaren/redaktören
Gharehbaghi, ArashBabic, Ankica
Av organisationen
Avdelningen för medicinsk teknikTekniska fakulteten
I samma tidskrift
Studies in Health Technology and Informatics
Teknik och teknologierDatorsystem

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 90 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
pubmed
urn-nbn

Altmetricpoäng

doi
pubmed
urn-nbn
Totalt: 121 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf