ในบทเรียนนี้ คุณจะได้แก้ไขข้อบกพร่อง ML ในชีวิตจริง* ที่เกี่ยวข้องกับการคาดคะเนของมะเร็ง
ตัวอย่างการใช้งานจริง: การคาดคะเนของมะเร็ง
ตัวอย่างการใช้งานจริง: การคาดคะเนของมะเร็ง
- ฝึกโมเดลให้คาดการณ์และยกตัวขึ้น ผู้ป่วยที่มีโอกาสเป็นมะเร็งและเสนอราคาจากเวชระเบียน
ตัวอย่างการใช้งานจริง: การคาดคะเนของมะเร็ง
- ฝึกโมเดลให้คาดการณ์และยกตัวขึ้น ผู้ป่วยที่มีโอกาสเป็นมะเร็งและเสนอราคาจากเวชระเบียน
- ฟีเจอร์ประกอบด้วยอายุของผู้ป่วย เพศ ภาวะทางการแพทย์ก่อนหน้า ชื่อโรงพยาบาล สัญญาณชีพ ผลการตรวจหาเชื้อ
ตัวอย่างการใช้งานจริง: การคาดคะเนของมะเร็ง
- ฝึกโมเดลให้คาดการณ์และยกตัวขึ้น ผู้ป่วยที่มีโอกาสเป็นมะเร็งและเสนอราคาจากเวชระเบียน
- ฟีเจอร์ประกอบด้วยอายุของผู้ป่วย เพศ ภาวะทางการแพทย์ก่อนหน้า ชื่อโรงพยาบาล สัญญาณชีพ ผลการตรวจหาเชื้อ
- โมเดลนี้มีประสิทธิภาพยอดเยี่ยมในข้อมูลการทดสอบที่หยุดไว้ชั่วคราว
ตัวอย่างการใช้งานจริง: การคาดคะเนของมะเร็ง
- ฝึกโมเดลให้คาดการณ์และยกตัวขึ้น ผู้ป่วยที่มีโอกาสเป็นมะเร็งและเสนอราคาจากเวชระเบียน
- ฟีเจอร์ประกอบด้วยอายุของผู้ป่วย เพศ ภาวะทางการแพทย์ก่อนหน้า ชื่อโรงพยาบาล สัญญาณชีพ ผลการตรวจหาเชื้อ
- โมเดลนี้มีประสิทธิภาพยอดเยี่ยมในข้อมูลการทดสอบที่หยุดไว้ชั่วคราว
- แต่โมเดลนี้มีประสิทธิภาพมากสําหรับผู้ป่วยรายใหม่ แล้วทําไมล่ะ
ตัวอย่างการใช้งานจริง: การคาดคะเนของมะเร็ง
เหตุใดคุณจึงคิดว่าโมเดลนี้มีประสิทธิภาพไม่ดีสําหรับผู้ป่วยรายใหม่ ตรวจดูว่าคุณคิดได้หรือไม่ แล้วจึงคลิกปุ่ม "เล่น" ︎ ด้านล่างเพื่อดูว่าถูกต้องหรือไม่
* เราใช้โมดูลนี้แบบหลวมๆ (ทําการแก้ไขไปตามทาง) ใน "การขุดค้นข้อมูล: การจําแนก การตรวจจับ และการหลีกเลี่ยง" โดย Kaffman, Rosset และ Perlich