An Improved Prediction Approach for Progression of Ocular Hypertension to Primary Open Angle Glaucoma

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86092263" target="_blank" >RIV/61989100:27240/14:86092263 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/14:86092263

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-08156-4_40" target="_blank" >http://dx.doi.org/10.1007/978-3-319-08156-4_40</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-08156-4_40" target="_blank" >10.1007/978-3-319-08156-4_40</a>

Jazyk výsledku

angličtina

Název v původním jazyce

An Improved Prediction Approach for Progression of Ocular Hypertension to Primary Open Angle Glaucoma

Popis výsledku v původním jazyce

In this paper, we present an improved prediction model for progression of ocular hypertension to primary open angle glaucoma using a random forest classification approach. Our model comprises two phases: risk factor calculation and prediction. We start by calculating the risk factors associated with the outcome, followed by a prediction phase that utilises a random forest approach for classification into one of four obtained classes, namely low, mid, high, and moderate. Experimental results show that the employed random forest classifier provides better prediction accuracy compared to other machine learning techniques including Bayes net, multi-layer perceptron, radial basis function and naive Bayes tree classifiers.

Název v anglickém jazyce

An Improved Prediction Approach for Progression of Ocular Hypertension to Primary Open Angle Glaucoma

Popis výsledku anglicky

In this paper, we present an improved prediction model for progression of ocular hypertension to primary open angle glaucoma using a random forest classification approach. Our model comprises two phases: risk factor calculation and prediction. We start by calculating the risk factors associated with the outcome, followed by a prediction phase that utilises a random forest approach for classification into one of four obtained classes, namely low, mid, high, and moderate. Experimental results show that the employed random forest classifier provides better prediction accuracy compared to other machine learning techniques including Bayes net, multi-layer perceptron, radial basis function and naive Bayes tree classifiers.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 303

ISBN

978-3-319-08155-7

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

8

Strana od-do

405-412

Název nakladatele

Springer-Verlag Berlin Heidelberg

Místo vydání

Berlin Heidelberg

Místo konání akce

Ostrava

Datum konání akce

23. 6. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—