資料探勘在慢性病預測模式之建構.pptVIP

討論（續） 就醫學傳統的做法是運用統計的邏輯斯諦迴歸的方法來做預測，那為何要捨棄統計的方法而就人工智慧的技術與方法呢? 乃是因為邏輯斯諦迴歸是屬於線性迴歸的預測方法，就其預測出來的參數變項雖然對預測的目標變項是顯著的，但其解釋目標變項的解釋度無法完全解釋，因此就必須借用人工智慧的技術與方法來克服目標變項的解釋度能夠儘可能完本研究的過程與結果優勢如下，以GA-CBR 演算法使用在醫院中的資料庫分析，就其適用的優點而言。它是可以在線上學習，並且是可以繼承學習、且建構GA-CBR 是比統計與類神經網路的成本低且快速。全被解釋。 討論（續） 案例庫推理主要的優點是容易獲得分析資料的知識，重要的屬性是容易被保留和學習的能力。GA-CBR 也是擷取相同的知識、穩定、相較規則庫系統是容易維護、結果容易解釋與校正、容易被使用者接受、知識的擷取。當然在對大型的案例庫方面執行需較長時間，雜訊控制也較為困難，所以在資料整理時就必須將雜訊去除。就研究結果在K-NN 部分，比較K=1, 3, 5, 7, 9,11 時，根據結果顯示不管是3D 人體體型等屬性或是Org 生理檢測數據等，這兩個資料集的執行結果都顯示當K=3 時其學習誤差最小。而相對於類神經網路、GPCT、GPMRT而言GA-CBR 執行正確性也是很高的，唯有高血壓在Org 生理檢測數據資料集的預測誤差百分比較大。GA-CBR 在預側糖尿病的三維