Skip to content

NaviteLogger/Glioma-Classification

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

7 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

W tym projekcie podjęliśmy się odtworzenia i oceny zaawansowanej metodologii klasyfi- kacji stopnia złośliwości glejaka, opierając się na pracy naukowców National Institutes of Health (NIH) z roku 2022. Generalnie, naszym celem było sprawdzenie, czy ich wielo- etapowe podejście, łączące selekcję cech i modele zespołowe, jest skuteczne i powtarzalne. Proces opierał się na hierarchicznej selekcji cech, gdzie cztery różne techniki (IV, RFE, Lasy Losowe, LASSO) „głosowały” na najważniejsze predyktory. Następnie, na podstawie tych wybranych cech, zbudowaliśmy i oceniliśmy 16 modeli zespołowych z wykorzystaniem me- chanizmu miękkiego głosowania. Całą analizę przeprowadziliśmy na zbiorze 839 pacjentów w ramach 10-krotnej walidacji krzyżowej. Najlepszy z naszych modeli hybrydowych osią- gnął średnią dokładność 87.1%, co jest wynikiem niemal identycznym z 87.6% zgłoszonym w oryginalnym badaniu. Potwierdza to powtarzalność zaprezentowanej metodologii.

About

Second project for data analysis methods (WULS course)

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Python 100.0%