Asoslar va fon

1. Mashinada o‘rganish algoritmlari

Ushbu bo'lim kasallik tashxisida eng ko'p qo'llaniladigan mashinani o'rganish algoritmlarining to'liq ko'rinishini taqdim etadi.

1.1 Qarorlar daraxtlari

Qarorlar daraxti (DT) algoritmlari bo'linish qoidasiga amal qiladi. DT modelida atributlar tasniflash daraxtlari deb ataladigan turli qiymatlarga ega bo'lishi mumkin; barglar turli sinflarni ifodalaydi, filiallar esa bu sinf belgilariga olib keladigan xususiyatlarning kombinatsiyasini aks ettiradi. Boshqa tomondan, DT regressiya daraxtlari deb ataladigan uzluksiz o'zgaruvchilarni olishi mumkin. C4.5 va EC4.5 ikkita mashhur va eng ko'p ishlatiladigan DT algoritmlaridir.

1.2 Vektorli mashinalarni qo'llab-quvvatlash

Tasniflash va regressiya bilan bog'liq muammolar uchun vektorli mashinalarni qo'llab-quvvatlash (SVM) mashhur mashinani o'rganish usuli hisoblanadi. Yordam vektor mashinalari 20-asr oxirida Vapnik tomonidan kiritilgan. Kasallik diagnostikasi bilan bir qatorda, qo'llab-quvvatlovchi vektor mashinalari boshqa turli fanlarda, jumladan, yuz ifodasini aniqlash, oqsillarni katlama, uzoqdan gomologik kashfiyot, nutqni aniqlash va matnni tasniflashda qo'llanilgan. Belgilanmagan ma'lumotlar uchun nazorat ostidagi ML algoritmlari bajarilmaydi. Ma'lumotlar o'rtasida klasterlash uchun giperplane kashfiyotidan foydalanib, vektorli mashinalarni qo'llab-quvvatlovchi yorliqsiz ma'lumotlarni tasniflashi mumkin. Biroq, qo'llab-quvvatlovchi vektor mashinasining chiqishi chiziqli bo'lmagan tarzda farqlanmaydi. Ushbu muammolarni bartaraf etish uchun tegishli yadro va parametrlarni tanlash ma'lumotlarni tahlil qilishda SVMlarni qo'llashning ikkita asosiy omilidir.

1,3 k - Eng yaqin qo'shni

(KNN) tasnifi 1951 yilda Evelin Fix va Jozef Xodjs tomonidan ixtiro qilingan parametrik bo'lmagan tasniflash usulidir. kNN ham tasniflash, ham regressiya tahlili uchun javob beradi. kNN tasnifi sinfga mansublikni keltirib chiqaradi. Ob'ektlarni tasniflash uchun ovoz berish mexanizmi qo'llaniladi. Evklid masofasi texnikasi ikkita ma'lumot namunasi orasidagi masofani aniqlash uchun ishlatiladi. Regressiya tahlili uchun proyeksiya qiymati KNN qiymatlarining o'rtacha qiymati hisoblanadi.

Olish uchun shu yerni bosing o'simlik Cistanches ta'siri

1.4 Naif Bayes

Oddiy Bayes (NB) klassifikatori Bayesga asoslangan ehtimollik tasniflagichidir. Berilgan yozuv yoki ma'lumotlar nuqtasiga asoslanib, u har bir sinfga a'zo bo'lish ehtimolini bashorat qiladi. Eng ehtimolli sinf eng yuqori ehtimolga ega bo'lgan sinfdir. NB tasniflagichi bashoratlarni emas, balki ehtimollarni bashorat qilish uchun ishlatiladi.

1.5 Logistik regressiya

Logistik regressiya (LR) - tasniflash muammolarini hal qilish uchun ishlatiladigan mashinani o'rganish usuli. LR modellari proektsiya qiymatlari 0 dan 1 gacha boʻlgan ehtimollik doirasiga ega. LR-ga asoslangan ML misollari spamni aniqlash, onlayn firibgarlik tranzaksiyalarini aniqlash va xavfli kasalliklarni aniqlashni oʻz ichiga oladi. Ko'pincha sigmasimon funktsiya deb ataladigan surrogat funktsiyasi LR tomonidan qo'llaniladi. sigmasimon funktsiyalar har bir haqiqiy sonni 0 dan 1 gacha o'zgartiradi.

1.6 AdaBoost algoritmi

Yoav Freund va Robert Schapire odatda AdaBoost nomi bilan tanilgan Adaptiv Boostingni ishlab chiqdilar. AdaBoost - bu bir nechta zaif tasniflagichlarni bitta tasniflagichga birlashtirgan tasniflagich. AdaBoost tasniflash qiyinroq bo'lgan namunalarga ko'proq vazn berish va allaqachon yaxshi tasniflangan namunalarni berish orqali ishlaydi AdaBoost tasniflash qiyinroq bo'lgan namunalarga ko'proq va yaxshi tasniflanganlarga kamroq og'irlik berish orqali ishlaydi. U tasniflash va regressiya tahlili uchun ishlatilishi mumkin.

Cistanche tubulosa foydalari

2. Chuqur o'rganishga umumiy nuqtai

Chuqur o'rganish (DL) - bu mashinani o'rganishning (ML) kichik sohasi bo'lib, u kiritilgan ma'lumotlardan yuqori va quyi darajadagi ma'lumotlarni (ya'ni, tasvirlar, raqamli qiymatlar, tasniflash qiymatlari) olish uchun bir nechta darajadan foydalanadi. Ko'pgina zamonaviy chuqur o'rganish modellari sun'iy neyron tarmoqlarda (ANN), xususan konvolyutsion neyron tarmoqlarda (CNN) qurilgan bo'lib, ular boshqa chuqur o'rganish modellari, jumladan generativ modellar, chuqur e'tiqod tarmoqlari va Boltzmann mashinalari bilan birlashtirilishi mumkin. Chuqur o'rganish uch turga bo'linadi: nazorat ostida, yarim nazorat ostida va nazoratsiz. Chuqur neyron tarmoqlari (DNN), mustahkamlashni o'rganish va takroriy neyron tarmoqlari (RNN) eng mashhur DL arxitekturalari (RNN) dir.

Chuqur o'rganishdagi har bir qatlam o'zining kirish ma'lumotlarini keyingi qatlamlarga aylantirishni o'rganayotganda turli ma'lumotlar atributlarini o'rganadi. Misol uchun, tasvirni aniqlash ilovasida asl kirish piksellar matritsasi bo'lishi mumkin va birinchi qatlam tasvirning qirralarini aniqlay oladi. Boshqa tomondan, ikkinchi qatlam burun va ko'zlarni tuzadi va kodlaydi, uchinchi qatlam esa birinchi ikki qatlamdan to'plangan barcha ma'lumotlarni birlashtirib, yuzlarni taniydi.

Tibbiyot sohasida DL katta va'da beradi. Radiologiya va patologiya ko'p yillar davomida kasalliklarni tashxislashda chuqur o'rganishdan keng foydalangan ikkita mashhur tibbiyot sohasidir. Bundan tashqari, molekulyar holatlardan qimmatli ma'lumotlarni to'plash va kasallikning rivojlanishini yoki davolanishga moyilligini aniqlash DLning amaliy qo'llanilishi bo'lib, ular ko'pincha insoniy tadqiqotlar tomonidan tan olinadi.

Cistanche qo'shimchasi

Cistanche o'ti ekstraktining buyrak uchun qiymati:

Tibbiy tadqiqotlar shuni ko'rsatdiki, tarkibida faol moddalar mavjudCistanche ekstraktiinson hujayralarining yangilanishi va metabolizmini rag'batlantirishi, immunitetni tartibga solish qobiliyatini oshirishi va aniq bo'lishi mumkinsaratonga qarshi, antiviral va anti-aging ta'siri. So'nggi yillarda davolashbuyrak kasalliklariCistanche bilan yaxshi natijalarga erishdi. Cistanche erkaklar va ayollar uchun qo'shimcha bo'lib, erkaklar jinsiy zaifligini va ayollarning bepushtligini davolaydi. Bundan tashqari, buyrakni yinga zarar bermasdan tonlashtiring va uzoq muddatli foydalanish odatda issiqlik va quruq og'iz kabi alomatlarga olib kelmaydi.

Shanxay Jiao Tong universiteti tibbiyot fakulteti Ruijin kasalxonasining nefrologiya bo'limi doktori Xu Jingning so'zlariga ko'ra, quyidagi kasalliklarga chalingan bemorlarga alohida e'tibor berish kerak:

1. Qandli diabet: Qandli diabet mening glyukoza yukimni kuchaytiradi, u 1-toifa yoki 2-toifa diabet bo'ladimi, diabetik nefropatiya paydo bo'lishi mumkin va kasallikning davomiyligi qanchalik uzoq bo'lsa, xavf shunchalik yuqori bo'ladi. Oxirgi bosqich buyrak kasalligi rivojlanib borgach, uni nazorat qilish qiyinlashadi.

2. Yuqori qon: bosim Yuqori qon bosimi va menga "qattiq uka" laqabini berishadi. Yuqori qon bosimi nafaqat menga yuqori bosim o'tkazib, sog'lig'imga zarar etkazadi, balki men ishlamay qolganimda, ikkinchi darajali qon bosimini ham keltirib chiqaradi. Ikkimiz bir-birimiz bilan “jimalashgandik”, bundan ham hiyla-nayrang edi!

3. Giperurikemiya: turmush tarzi o'zgarishi bilan gut (giperurikemiya) bilan kasallanish asta-sekin o'sib boradi. Urat kristallari buyraklarga yotqizilib, buyraklar faoliyatining yomonlashuvini tezlashtiradi; Buyrak funktsiyasining yomonlashishi buyraklarning siydik kislotasini chiqarish qobiliyatini pasaytiradi, giperurikemiyani yana kuchaytiradi va shafqatsiz doira hosil qiladi.

4. Noto'g'ri turmush tarzi: Uzoq vaqt davomida harakatsiz va kam harakat qilish semirib ketishga, ortiqcha vaznga yoki odatlanib kech qolishga, spirtli ichimliklar va chekish va hokazolarga olib keladi, bu meni uzoq vaqt ishlashga va dam olishga majbur qiladi, shu bilan mening yukimni oshiradi va sabab bo'ladi. zarar.

Cistanche tubulosa ekstrakti

6. Terlashni faollashtiring

Biz har doim terlaganda, buyraklarimizga yukni engillashtiramiz, chunki biz suyuqlikni tanadan olib tashlashning yana bir usulini kuchaytiramiz. Shu ma'noda, terlashni oshirish buyraklar faoliyatiga g'amxo'rlik qilish uchun yaxshi "terapiya" bo'lishi mumkin. O'rtacha yoki yuqori intensiv jismoniy faoliyat yoki intervallar bilan. Quruq va nam sauna vannalari. Zanjabil yoki qayin qalampiri kabi issiq ziravorlarni iste'mol qilish.

7. Tozalash vositalarini muntazam ravishda ishlatish

Yiliga bir yoki ikki marta, ayniqsa mavsumiy o'zgarishlar paytida, toksinlarni yo'q qilish va jigar va buyraklar faoliyatini yaxshilash uchun tozalash yoki tozalashni amalga oshirish yaxshi fikrdir. Bunga parhez odatlarini yaxshilash, asosan buyraklarni tozalash kiradi, siz buni sinab ko'rishingiz mumkin:

a: Sarimsoq va piyoz bulonini dietangizga tez-tez qo'shing.

b: sanoat ichimliklarni yashil nok, selderey va olma sharbati bilan almashtiring.

c: Suyuqlikni yo'q qilishni rag'batlantirish uchun karahindiba, dulavratotu va otlarning tabiiy infuziyalaridan foydalaning.

8. Mahalliy issiqlikni qo'llang

Issiq suv shishasi yoki isitish yostig'i yordamida mahalliy issiqlik buyrak hududida pastki orqa noqulayliklarni bartaraf etishi mumkin. Boshqa tomondan, magistral sohada qattiq sovuqdan, ayniqsa qishda sovuq shamollardan qochish, buyrak kasalligi mavjudligidan qat'i nazar, bu sohada noqulaylikning oldini olish (yoki vaziyatni engillashtirish) uchun juda muhimdir.

9. Spirtli ichimliklar va dozani oshirib yuborishdan saqlaning

Oshqozon osti bezini parvarish qilish bo'yicha maslahatlar: spirtli ichimliklarni ichmang. Albatta, spirtli ichimliklarni iste'mol qilmaslik buyraklar sog'lig'iga g'amxo'rlik qilish uchun juda muhimdir. Turli tadqiqotlar shuni ko'rsatdiki, alkogol buyraklar faoliyatini sezilarli darajada yomonlashtirishi mumkin va spirtli ichimliklar qancha ko'p iste'mol qilinsa, turli xil sog'liq muammolarini rivojlanish xavfi shunchalik yuqori bo'ladi. Boshqa tomondan, har doim ortiqcha har bir narsa nafaqat spirtli ichimliklar yoki boshqa giyohvand moddalar emas, balki sog'liq uchun zararli ekanligini yodda tutish kerak.

ADABIYOTLAR:

1.Brijain, M.; Patel, R.; Kaushik, M.; Rana, K. Tasniflash uchun qarorlar daraxti algoritmi bo'yicha so'rov. Int. J. Eng. Dev. Res. 2014. Mavjud

2. Valse, RS; Kurundkar, GD; Xamitkar, SD; Muley, AA; Bhalchandra, PU; Lokhande, SN Surunkali buyrak kasalligini tahlil qilish uchun naif Bayes, qaror daraxti va tasodifiy o'rmon usullaridan samarali foydalanish. Intellektual tizimlar uchun axborot-kommunikatsiya texnologiyalari bo‘yicha xalqaro konferensiya materiallarida, Ahmadobod, Hindiston, 2020-yil 15–16-may; Springer: Berlin/Heidelberg, Germaniya, 2020; 237–245-betlar.

3. Rajendran, K.; Jayabalan, M.; Thiruchelvam, V. Sinf nomutanosib ma'lumotlari bo'yicha nazorat ostida mashinani o'rganish usullari orqali ko'krak saratonini bashorat qilish. Int. J. Adv. Hisoblash. Sci. Ilova. 2020, 11, 54–63.

4. Tsao, HY; Chan, PY; Su, ECY Diabetik retinopatiyani bashorat qilish va mashinani o'rganish algoritmlari yordamida talqin qilinadigan biotibbiy xususiyatlarni aniqlash. BMC Bioinform. 2018, 19, 111–121.

5. . Nurrohmon A.; Abdulla, S.; Murfifi, H. Parkinson kasalligining pastki turi tasnifi: qaror daraxti, logistik regressiya va logit barglari modelini qo'llash. AIP konferentsiyasi materiallarida; AIP Publishing MChJ: Melville, NY, AQSh, 2020; 2242-jild, b. 030015.

6. . Drucker, H.; Vu, D.; Vapnik, VN Spamni tasniflash uchun vektorli mashinalarni qo'llab-quvvatlaydi. IEEE Trans. Neyron tarmoq. 1999, 10, 1048–1054.

7. Fiks, E.; Xodges, JL Diskriminatsion tahlil. Parametrik bo'lmagan diskriminatsiya: izchillik xususiyatlari. Int. Stat. Rev. Int. De Stat. 1989, 57, 238–247.

8. Rayt, RE Logistik regressiya. Ko'p o'zgaruvchan statistikani o'qish va tushunishda; Amerika Psixologik Assotsiatsiyasi: Vashington, AQSh, 1995 yil.

9. Schapire, RE AdaBoost-ni tushuntirish. Empirik xulosada; Springer: Berlin/Heidelberg, Germaniya, 2013; 37–52-betlar.

10. Yaxshi do'st, men; Bengio, Y.; Kurvil, A. Chuqur o'rganish; MIT Press: Kembrij, MA, AQSh, 2016.

11. Hayashi, Y. Radiologiya, patologiya va oftalmologiyada oq quti chuqur o'rganishni rivojlantirish uchun zarur bo'lgan to'g'ri yo'nalish: Qisqa sharh. Old. Robot. AI 2019, 6, 24.

12. Akkus, Z.; Galimzianova, A.; Xugi, A.; Rubin, DL; Erikson, BJ Miyaning MRI segmentatsiyasi uchun chuqur o'rganish: San'atning holati va kelajakdagi yo'nalishlar. J. Raqam. Tasvirlash 2017, 30, 449–459.

13. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Deep MLP-CNN modeli, COVID-19 va COVID boʻlmagan-19 bemorlarni farqlash uchun aralash maʼlumotlardan foydalanadi. Simmetriya 2020, 12, 1526.

14. Husayn, EH; Emam, MM; Ali, AA; Suganthan, PN Tibbiy ko'rishga asoslangan ko'krak saratoni uchun chuqur va mashinani o'rganish usullari: keng qamrovli sharh. Ekspert tizimi. Ilova. 2021, 167, 114161.