כתבה
arXiv cs.LG ·
השפעת עיבוד גבולות Canny על תפוקת דגמי ML לסיווג מחלת פארקינסון
Impact of canny edge detection preprocessing on performance of machine learning models for Parkinson's disease classification
במחקר זה נחקרה השפעת עיבוד גבולות Canny על תפוקת דגמי ML לסיווג מחלת פארקינסון. נבחנו דגמי ML שונים, כולל Random Forest, XGBoost ו-SVM, ונמצא שעיבוד גבולות Canny גרם לירידה בתפוקתם. המחקר חשף גם את השפעת גודל הנתונים על תפוקת הדגמים.
תקציר מקורי באנגליתarXiv:2609.07408v1 Announce Type: new Abstract: This study investigates the classification of individuals as healthy or at risk of Parkinson's disease using machine learning (ML) models, focusing on the impact of dataset size and preprocessing techniques on model performance. Four datasets are created from an original dataset: DS_0, (normal dataset), DS_1 (DS_O subjected to Canny edge detection and Hessian filtering), DS_2 (augmented DS_0), and DS_3 (augmented DS_1). We evaluate a range of ML models-Logistic Regression (LR), Decision Tree (DT), Random Forest (RF), Gradient Boosting (GB), XGBoost (XBG), Naive Bayes (NB), Support Vector Machine (SVM), and AdaBoost (AdB)-on these datasets, analyzing prediction accuracy, model size, and prediction latency. The results show that while larger da
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית