TY -的A2 Chiroma Haruna盟——Alqaysi m . e . AU - Albahri a . s . AU -哈米德,Rula a . PY - 2022 DA - 2022/11/16 TI -混合诊断模型为自闭症患者基于医疗和社会人口特征使用机器学习和多准则决策(指标)技术:一个评估和基准测试框架SP - 9410222六世- 2022 AB - 背景和上下文。自闭症谱系障碍(ASD)是很难诊断,促使研究人员增加他们努力找到最好的诊断通过引入机器学习(ML)。最近,几个可用的挑战和问题突出了自闭症的诊断。必须采取高考虑到特征选择(FS)方法和分类过程同时利用自闭症诊断的医学测试和社会人口特征。毫升构造模型忽视了医疗检查的重要性和在训练数据集和评价社会人口特征,特别是一些功能有不同的贡献处理数据和拥有比其他人更发表的分类信息。然而,医生对特性的经验贡献的作用仍然有限。此外,存在许多评估标准,标准的取舍,和标准重要性分类诊断毫升模型的评估和基准有关交叉FS分类方法在复杂的多准则决策方法和毫升(指标)的问题。到目前为止,还没有研究提供了一个评估基准测试框架最好的混合诊断模型分类自闭症患者的紧急程度考虑多准则评估解决方案。 方法。三相框架综合指标和ML开发诊断模型和评估和基准最好的。首先,新ASD-dataset-combined体检和社会人口特征标识和预处理。其次,开发混合动力诊断模型使用三个FS之间的交叉过程技术和5 ML算法介绍15模型。所选体检从每个FS技术和社会人口特征加权之前喂5 ML算法使用模糊权重zero-inconsistency (FWZIC)方法基于四个精神病学专家。第三,(i)制定所有发达动态决策矩阵模型基于7个评价指标,包括分类精度、精度、F1得分,还记得,测试时间,火车时间,AUC。(2)的模糊决策意见评分方法(FDOSM)是用来评估和基准15模型有关的七个评价指标。 结果。结果显示,(我)3 f技术获得大小不同于其他人的选择功能;集是39岁,38岁和41 48特性。每组有其重量由FWIZC。认为社会人口特征大多选择超过体检在FS技术。(2)前三个最好的混合模型“ReF-decision树”“IG-decision树”和“太极拳²决策树”,分数值0.15714,0.17539,和0.29444。最好的诊断模型(ReF-decision树)取得了0.4190,0.0030,0.9946,0.9902,0.9902,0.9902,0.9902,和0.9951 C1 =火车次C2 =测试时间,C3 = AUC, C4 = CA, C5 = F1得分,C6 =精度,分别和C7 =回忆。开发框架将有利于推进,加速,并选择治疗自闭症的诊断工具。所选模型可以确定严重程度轻、中、或根据医疗测试和强烈的社会人口加权特性。SN - 1748 - 670 - 2022/9410222 / 10.1155 x你——https://doi.org/10.1155/2022/9410222——摩根富林明——计算和数学方法在医学PB - Hindawi KW - ER