Resumen

Este artículo tiene como objetivo encontrar el conjunto óptimo de pesos iniciales para mejorar la precisión de las redes neuronales artificiales (ANNs) utilizando algoritmos genéticos (GA). La muestra en este estudio incluyó a 228 pacientes con la primera fractura de cadera de bajo trauma y 215 pacientes sin fractura de cadera, a quienes se les realizaron 78 preguntas. Se utilizó regresión logística para seleccionar 5 factores importantes (es decir, densidad mineral ósea, experiencia de fractura, fuerza promedio de agarre de mano, consumo de café y tasa de flujo espiratorio máximo) para construir redes neuronales artificiales que predijeran las probabilidades de fracturas de cadera. Se adoptaron modelos de ANNs de tres capas (una capa oculta) con algoritmos de entrenamiento de retropropagación. El propósito de este artículo es encontrar los pesos iniciales óptimos de las redes neuronales a través de algoritmos genéticos para mejorar la capacidad predictiva. Se utilizó el área bajo la curva ROC (AUC) para evaluar el rendimiento de

• Materias:Axiomas de separación Modelos borrosos
• Subjects:Separation axioms Fuzzy models
• Palabras claves:Conjunto óptimo; Pesos iniciales; Redes neuronales artificiales; Algoritmos genéticos; Regresión logística; Factores importantes
• Keywords:Optimal set; Initial weights; Artificial neural networks; Genetic algorithms; Logistic regression; Important factors