文件名称：可解释的针对老年痴呆症的AI分类器-疾病诊断：利兹大学学士学位课程
文件大小：1.76MB
文件格式：ZIP
更新时间：2024-02-29 00:33:35
HTML
可解释的AI分类用于阿尔茨海默氏病的诊断 python3 Model.py'clasisfier''classification_method''0/1（explainability）' 我所做的事情：内核函数-线性和多边形给出了最佳结果-所有数据的〜80％，但没有sMRI和ASL的甚至99％。 这是由于两个原因。 首先：后面的文件具有许多NaN值，目前，我只是删除-dropna行。 第二：神经文件具有CDR和MMRE信息，这与定义人是否患有AD几乎相同。 我应该提出一种处理缺失值的更好方法。（并且我还需要考虑如何处理Neuro文件。）MinMAxScaler将SVM的性能提高了10％。 使用中位数代替NaN值固定训练。 现在使用cross_val_predict，它对输入中的每个元素返回预测，该预测是针对该元素在测试集中时获得的（每个元素都在测试集中一次）。 得到混淆矩阵。 对于线性
【文件预览】：
Explainable-AI-Classifiers-for-Alzheimers-Disease-Diagnosis-main
----LogReg.py(2KB)
----SVMclassif_explanation.html(1.21MB)
----Classifiers.py(6KB)
----filename.joblib(73KB)
----DataProcessing.py(2KB)
----DecisionTree.py(2KB)
----SVM.py(2KB)
----SVM1classif_explanation.html(1.21MB)
----README.md(1KB)
----LogisticRegression_classif_explanation.html(1.21MB)
----Main.py(3KB)
----__pycache__()
--------DataProcessing.cpython-37.pyc(2KB)
----LOGREGclassif_explanation.html(1.21MB)
----SVC_classif_explanation.html(1.21MB)
----GradientBoostingClassifier_classif_explanation.html(1.21MB)
----Models.py(6KB)
----DECTREEclassif_explanation.html(1.21MB)
----Classifier.py(2KB)