Analys av myokardiella hastighetsvariabler för diagnos av ...

Kapitel 4
Resultat
Resultaten är uppdelade i tv˚a stora delar. I första delen (4.1) används de regressionsmodeller
som finns sedan tidigare som referens samt att enbart samma inparametrar
används till neuronnäten. Där ska olika algoritmer och förbehandlingsmetoder
utvärderas. I andra delen (4.2) analyseras alla tillgängliga parametrar och en
sammanställning görs för att upptäcka ny väsentlig information och intressanta
fenomen.
I samtliga analyser i b˚ada delar är individerna i träningsmängden samt
testmängden fasta. Det innebär att all träning och validering görs med träningsmängden
och all prestandamätning görs med testmängden, oavsett inparametrar.
Det finns m˚anga parametrar som kan ändras för att förbättra resultaten. De
mest uppenbara räknas upp här, men i de fall en submängd av dem förekommer
i senare analyser görs en mer ing˚aende beskrivningen än nedanst˚aende.
Lager Hur m˚anga, s˚a kallade, gömda lager som finns i neuronnätet. Det vill
säga förutom inlagret som har mottagningsnoder för varje inparameter
samt utlagret som har det antal noder som m˚alvektorn föreskriver. I denna
rapport används bara ett gömt lager.
Noder Det antal noder som ing˚ar i varje gömt lager. Om flera gömda lager
används kan olika antal noder för olika lager användas.
Indata Vilka av alla de tillgängliga parametrar som ing˚ar bland inparametrarna.
Submängder fr˚an den totala mängden inparametrar är oftast enklare
att analysera genom att mindre neuronnät d˚a kan användas och alla dess
fördelar.
Validering Om träningen ska valideras och hur stor delmängd som ska användas
till validering. Här kan även alternativ dyka upp, s˚asom k-fold-analys.
Träningsalgoritm Enligt vilken algoritm ska nätet tränas och uppdateras. Har
viss inverkan p˚a hur validering väljs.
Förbearbetning Vilken typ av förbearbetning ska göras p˚a indata som normering,
utökning samt eliminering.
Strukturering av träningsmängden Träningsmängden kan prepareras med
k-fold, bagging och brus.
30