Back to search

National and Kapodistrian University of Athens

Kernel Support Vector Machine learning of imbalanced classes with application to reproductive medicine on the UK population

Abstract

dc:description

Το θέμα της εργασίας αναφέρεται στην κατηγορία αλγορίθμων Μηχανικής Μάθησης Support Vector Machines (SVM) με την μέθοδο των πυρήνων (Kernel Support Vector Machines) για την ταξινόμηση δεδομένων που ανήκουν σε δύο κατηγορίες (τάξεις). Η μέθοδος εφαρμόζεται σε δεδομένα προερχόμενα από τον τομέας της υποβοηθούμενης αναπαραγωγής με σκοπό την πρόβλεψη επιτυχούς γέννησης νεογνού. Αρχικά, μελετώνται οι αλγόριθμοι Kernel SVM και τα προβλήματα που μπορεί να παρουσιαστούν όταν οι τάξεις έχουν διαφορετικό μέγεθος. Στην συνέχεια συζητούνται πιθανές μέθοδοι αντιμετώπισης του προβλήματος όπως αυτές εντοπίστηκαν στην βιβλιογραφία, υπογραμμίζονται τα πλεονεκτήματα και τα μειονεκτήματα κάθε μεθόδου. Προτείνεται επίσης μια νέα μεθοδολογία μείωσης των παρατηρήσεων (under-sampling) με βάση το cosine similarity, ένα μέτρο ομοιότητας μεταξύ των παρατηρήσεων. Στην συνέχεια, εφαρμόζονται οι παραπάνω μέθοδοι, τόσο οι προϋπάχουσες όσο και η νέα μέθοδος, σε δεδομένα που προέρχονται από τον τομέα της αναπαραγωγικής ιατρικής στον πληθυσμό του Ηνωμένου Βασιλείου, ώστε να προβλεφθεί το αποτέλεσμα της επιτυχούς γέννησης μετά από τεχνικές υποβοηθούμενης αναπαραγωγής. Συγκεκριμένα, τα δεδομένα παρέχονται από την Αρχή Ανθρώπινης Αναπαραγωγής και Εμβρυολογίας του Ηνωμένου Βασιλείου (Human Fertilization and Embryology Authority) και αφορούν κύκλους θεραπειών γονιμότητας που λαμβάνουν χώρα κάθε χρόνο στο Ηνωμένο Βασίλειο. Τα δεδομένα από την συγκεκριμένη αρχή συλλέγονται από το 1991 έως σήμερα και εφόσον είναι ανώνυμα, είναι διαθέσιμα για ερευνητικούς σκοπούς. Στα δεδομένα αυτά εφαρμόζονται επίσης κλασικές μέθοδοι ταξινόμησης της στατιστικής όπως η λογιστική παλινδρόμηση (logistic regression). Οι μέθοδοι που χρησιμοποιούνται για την ταξινόμηση των δεδομένων υποβοηθούμενης αναπαραγωγής εφαρμόζονται επίσης σε προσομοιωμένα δεδομένα, τόσο συνεχή όσο και μικτού τύπου (συνεχή και διακριτά) ώστε να επιβεβαιωθεί την απόδοση τους. Οι διαφορετικές μέθοδοι συγκρίνονται με την χρήση κατάλληλων μετρικών αξιολόγησης (evaluation metrics) καταλήγοντας στο συμπέρασμα ότι η προτεινόμενη μέθοδος υπερτερεί έναντι των άλλων κατά την ταξινόμηση του μικτού τύπου δεδομένων και των δεδομένων υποβοηθούμενης αναπαραγωγής, ενώ κατά την ταξινόμηση των συνεχών προσομοιωμένων δεδομένων έρχεται δεύτερη αποδοτικά.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Δημητρίου Ευάγγελος
  • Dimitriou Evangelos

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3232068

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Δημητρίου Ευάγγελος; Dimitriou Evangelos. Kernel Support Vector Machine learning of imbalanced classes with application to reproductive medicine on the UK population. 2022. https://pergamos.lib.uoa.gr/uoa/dl/object/3232068