Enfoque de optimización de hiperparámetros RG para una mejor predicción indirecta de los niveles de glucosa en sangre mediante el aprendizaje de conjuntos de refuerzo
Autores: Wang, Yufei; Zhang, Haiyang; An, Yongli; Ji, Zhanlin; Ganchev, Ivan
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Enfoque de optimización de hiperparámetros RG para una mejor predicción indirecta de los niveles de glucosa en sangre mediante el aprendizaje de conjuntos de refuerzo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Propone optimización de hiperparámetros
Predicción del nivel de glucosa en sangre
Modelos de aprendizaje de conjunto de refuerzo
Datos clínicos
Enfoque de optimización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Este documento propone un enfoque de optimización de hiperparámetros RG, basado en el uso secuencial de búsqueda aleatoria (R) y búsqueda en cuadrícula (G), para mejorar la predicción del nivel de glucosa en sangre de modelos de aprendizaje de conjuntos de refuerzo. Se realiza una predicción indirecta de los niveles de glucosa en sangre en pacientes, basada en datos médicos históricos recopilados mediante métodos de examen físico, utilizando 40 indicadores de salud del cuerpo humano. Los experimentos realizados con datos clínicos reales demostraron que el enfoque de doble optimización RG propuesto ayuda a mejorar el rendimiento de predicción de cuatro modelos de aprendizaje de conjuntos de refuerzo de vanguardia enriquecidos por él, logrando una mejora del 1.47% al 24.40% en el MSE y del 0.75% al 11.54% en la mejora del RMSE.
Descripción
Este documento propone un enfoque de optimización de hiperparámetros RG, basado en el uso secuencial de búsqueda aleatoria (R) y búsqueda en cuadrícula (G), para mejorar la predicción del nivel de glucosa en sangre de modelos de aprendizaje de conjuntos de refuerzo. Se realiza una predicción indirecta de los niveles de glucosa en sangre en pacientes, basada en datos médicos históricos recopilados mediante métodos de examen físico, utilizando 40 indicadores de salud del cuerpo humano. Los experimentos realizados con datos clínicos reales demostraron que el enfoque de doble optimización RG propuesto ayuda a mejorar el rendimiento de predicción de cuatro modelos de aprendizaje de conjuntos de refuerzo de vanguardia enriquecidos por él, logrando una mejora del 1.47% al 24.40% en el MSE y del 0.75% al 11.54% en la mejora del RMSE.