Jaringan Saraf Tiruan fitnet untuk Pemodelan kadar hemoglobin berdasarkan fitur klinis dan hematologi

Info proyek

• Bidang studiKesehatan dan Citra Medis
• JenjangDisertasi (S3)
• Jenis metodeMachine Learning
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatfitnet, train, perform (Deep Learning Toolbox)
• HargaRp 550.000 - Rp 3.450.000

Tujuan analisis

Melatih jaringan saraf fitnet untuk memprediksi respons pada kadar hemoglobin berdasarkan fitur klinis dan hematologi dan menilai galat generalisasi.

Variabel

Contoh hasil

• 0.973Test R
• 0.244Test RMSE
• 0.045Best val. MSE
• 12Epochs
• 10Hidden neurons
• 300Samples

Jaringan saraf dengan 10 neuron tersembunyi memprediksi Haemoglobin level dari Red blood cell count dan Haematocrit dengan korelasi uji R=0.973 dan RMSE 0.244 setelah 12 epoch; MSE validasi terbaik 0.0447.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Jaringan Saraf Tiruan (fitnet)

fitnet membangun jaringan saraf tiruan feedforward untuk regresi atau pendekatan fungsi nonlinear. Cocok untuk memodelkan hubungan masukan-keluaran kompleks ketika bentuk persamaan tidak diketahui dan data cukup tersedia.

Langkah pengerjaan

1. 1Siapkan data dengan fitur sebagai baris dan sampel sebagai kolom
2. 2Buat jaringan dengan fitnet dan tentukan jumlah neuron tersembunyi
3. 3Atur pembagian latih, validasi, dan uji serta algoritma pelatihan
4. 4Latih dengan train dan pantau kinerja
5. 5Evaluasi RMSE dan R pada data uji
6. 6Plot prediksi terhadap aktual dan riwayat pelatihan

Asumsi yang perlu diperiksa

• Data cukup banyak dibanding jumlah bobot
• Fitur dinormalisasi (fitnet melakukannya otomatis)
• Pelatihan stokastik sehingga hasil bergantung pada seed dan inisialisasi

Membaca dan melaporkan hasil

Laporkan arsitektur, algoritma, pembagian data, serta RMSE dan R pada data uji. Bandingkan dengan regresi linear untuk menunjukkan perlunya model nonlinear.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(10);
n = 500;
red_blood_cell_count = [10*rand(1, n); 5*rand(1, n)];            % features x samples
haemoglobin_level = sin(red_blood_cell_count(1, :)) .* red_blood_cell_count(2, :) + 0.2*randn(1, n);

net = fitnet(10, 'trainlm');
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;
net.trainParam.showWindow = false;
[net, tr] = train(net, red_blood_cell_count, haemoglobin_level);

pred = net(red_blood_cell_count);
te = tr.testInd;
rmse = sqrt(mean((pred(te) - haemoglobin_level(te)).^2));
R = corrcoef(pred(te), haemoglobin_level(te));
fprintf('Test RMSE = %.3f, R = %.3f, epochs = %d\n', rmse, R(1, 2), tr.num_epochs);
b = [ones(numel(te), 1) red_blood_cell_count(:, te)'] \ haemoglobin_level(te)';
lin = [ones(numel(te), 1) red_blood_cell_count(:, te)'] * b;
fprintf('Linear baseline RMSE = %.3f\n', sqrt(mean((lin - haemoglobin_level(te)').^2)));

figure;
subplot(1,2,1); plot(haemoglobin_level(te), pred(te), '.'); hold on; refline(1, 0);
xlabel('Actual'); ylabel('Predicted');
subplot(1,2,2); semilogy(tr.perf); hold on; semilogy(tr.vperf); semilogy(tr.tperf);
legend('Train', 'Validation', 'Test'); xlabel('Epoch'); ylabel('MSE');

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum