Resumen

El proceso de entrenamiento y prueba para la clasificación de conjuntos de datos biomédicos en el aprendizaje automático es muy importante. El investigador debe elegir cuidadosamente los métodos que debe utilizar en cada paso. Sin embargo, existen muy pocos estudios sobre la elección de métodos. En general, los estudios publicados son teóricos. Además, no existe ningún modelo útil sobre cómo seleccionar muestras en el proceso de entrenamiento y prueba. Por lo tanto, se necesitan recursos en aprendizaje automático que analicen el proceso de entrenamiento y prueba en detalle y ofrezcan nuevas recomendaciones. Este artículo ofrece un análisis detallado del proceso de entrenamiento y prueba en el aprendizaje automático. El artículo consta de las siguientes secciones. La tercera sección describe cómo preparar los conjuntos de datos. Para la aplicación se utilizaron cuatro conjuntos de datos equilibrados. La cuarta sección describe el tipo y la forma de seleccionar las muestras en la fase de entrenamiento y prueba. El teorema fundamental del muestreo es un tema de estadística. Muestra cómo seleccionar las muestras. En este artículo, se ha propuesto utilizar métodos de muestreo en el proceso de entrenamiento y prueba del aprendizaje automático. La cuarta sección cubre la expresión teórica de cuatro teoremas de muestreo diferentes. Además, la sección de resultados presenta los resultados del rendimiento de los teoremas de muestreo. La quinta sección describe los métodos de selección de las características de entrenamiento y pretest. En el estudio, tres clasificadores diferentes controlan el rendimiento. La sección de resultados describe cómo deben analizarse los resultados. Además, este artículo propone métodos de evaluación del rendimiento para evaluar sus resultados. Este artículo examina en detalle el efecto del proceso de entrenamiento y prueba sobre el rendimiento en el aprendizaje automático y propone el uso de teoremas de muestreo para el proceso de entrenamiento y prueba. Según los resultados, los conjuntos de datos, los algoritmos de selección de características, los clasificadores, el entrenamiento y la proporción de pruebas son los criterios que afectan directamente al rendimiento. Sin embargo, los métodos de selección de muestras en las etapas de entrenamiento y prueba son vitales para que el sistema funcione correctamente. Para diseñar un sistema estable, se recomienda seleccionar las muestras con un teorema de muestreo sistemático estratificado.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:proceso de prueba, formación, artículo, muestras, aprendizaje automático, rendimiento, resultados, métodos, cuarta sección, sección de resultados
• Keywords:testing process, training, article, samples, machine learning, performance, results, methods, fourth section, results section