Analys av myokardiella hastighetsvariabler för diagnos av ...

4.1. FLERLAGERSNÄT KONTRA LINJÄR REGRESSION 37
noder A50 σ50 A25 σ25 A10 σ10
1 0.64 0.10 0.63 0.10 0.57 0.13
5 0.62 0.10 0.62 0.10 0.59 0.10
10 0.63 0.08 0.62 0.09 0.61 0.09
20 0.63 0.07 0.62 0.08 0.61 0.11
40 0.62 0.07 0.62 0.07 0.62 0.07
80 0.58 0.08 0.57 0.07 0.58 0.07
Tabell 4.4: Prestanda för STD-förbehandlade inparametrar.
noder A50 σ50 A25 σ25 A10 σ10
1 0.66 0.07 0.66 0.08 0.65 0.11
5 0.63 0.08 0.60 0.08 0.64 0.06
10 0.63 0.09 0.64 0.08 0.68 0.04
20 0.61 0.08 0.60 0.08 0.58 0.10
40 0.57 0.10 0.56 0.12 0.55 0.12
80 0.61 0.06 0.60 0.07 0.62 0.09
Tabell 4.5: Prestanda för PCA-förbehandlade inparametrar.
4.1.6 Resultat med k-fold
Tidigare försök visar att det g˚ar att uppn˚a resultat men att algoritmerna alternativt
inställningarna har gett kraftiga variationer. I ett försök att finna en
stabilare lösning testas k-fold. Vid analys sätts k till 5 och s˚aledes kallas analysen
5-fold. Det innebär ocks˚a att träningsmängden delas i 5 submängder som
sedan används enligt denna tidigare beskrivna algoritmen. Alla inparametrar är
först behandlade enligt STD för att öka prestandan. Felet beräknas genom att
summera felet fr˚an de fem olika träningsstadierna. I denna analys permuteras
träningsmängden inför varje ny iterering av neuronnät för att variationen i subträningsmängderna
och valideringsmängderna ska skiljas ˚at mellan analyserna
s˚a att all spridning av resultat f˚angas. I figur 4.10 ses boxplotten för 5-foldalgoritmen
och det är ett mer samlat resultat än tidigare.
SSE(träning+validering)
200
180
160
140
120
100
80
60
40
20
0
1 5 10 20 40 80
antal nod(er)
Figur 4.10: Boxplot för träning med 5-fold