Resumen

En la actualidad, muchos métodos que podrían estimar los efectos de las condiciones sobre un objetivo biológico determinado requieren o bien fuertes suposiciones de modelización o bien pantallas independientes. Tradicionalmente, muchas condiciones y objetivos, sin hacer todos los experimentos posibles, podían conseguirse mediante la experimentación dirigida o varios métodos matemáticos, especialmente los métodos de aprendizaje automático conversacional. Sin embargo, estos métodos aún no podían evitar y sustituir por completo las etiquetas manuales. Este artículo presenta un método de aprendizaje automático metaactivo para resolver este problema. Este proyecto ha utilizado nueve métodos tradicionales de aprendizaje automático para comparar su precisión y tiempo de ejecución. Además, este trabajo analiza el método de aprendizaje automático metaactivo (MAML) en comparación con un método de cribado clásico y experimentos progresivos. Los resultados obtenidos muestran que la aplicación de este método arroja los mejores resultados experimentales en el conjunto de datos actual.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:método de aprendizaje automático activo, métodos de aprendizaje automático conversacional, mejores resultados experimentales, método de cribado clásico, varios métodos matemáticos, hipótesis de modelización sólidas, método, métodos, artículo, máquina activa
• Keywords:active machine learning method, conversational machine learning methods, best experimental results, classical screening method, several mathematical methods, strong modelling assumptions, method, methods, paper, active machine