In dieser Lektion werden Sie ein echtes ML-Problem* im Zusammenhang mit Krebsvorhersagen beheben.
Beispiel aus der Praxis: Krebsvorhersage
Beispiel aus der Praxis: Krebsvorhersage
- Das Modell wurde in der Vorhersage trainiert, dass der Patient wahrscheinlich Krebs hat
Beispiel aus der Praxis: Krebsvorhersage
- Das Modell wurde in der Vorhersage trainiert, dass der Patient wahrscheinlich Krebs hat
- Zu den Merkmalen gehören das Alter des Patienten, das Geschlecht, frühere Krankheiten, der Krankenhausname, Vitalfunktionen, Testergebnisse
Beispiel aus der Praxis: Krebsvorhersage
- Das Modell wurde in der Vorhersage trainiert, dass der Patient wahrscheinlich Krebs hat
- Zu den Merkmalen gehören das Alter des Patienten, das Geschlecht, frühere Krankheiten, der Krankenhausname, Vitalfunktionen, Testergebnisse
- Das Modell bot eine hervorragende Leistung bei Testdaten, die mit einem Hold versehen wurden
Beispiel aus der Praxis: Krebsvorhersage
- Das Modell wurde in der Vorhersage trainiert, dass der Patient wahrscheinlich Krebs hat
- Zu den Merkmalen gehören das Alter des Patienten, das Geschlecht, frühere Krankheiten, der Krankenhausname, Vitalfunktionen, Testergebnisse
- Das Modell bot eine hervorragende Leistung bei Testdaten, die mit einem Hold versehen wurden
- Aber das Modell hat bei neuen Patienten schlecht abgeschnitten. Warum?
Beispiel aus der Praxis: Krebsvorhersage
Warum konnte Ihrer Meinung nach das Modell bei neuen Patienten keine gute Leistung erzielen? Versuche, das Problem herauszufinden, und klicke dann unten auf die Wiedergabeschaltfläche ▶, um zu sehen, ob du richtig liegst.
* Wir haben dieses Modul auf lockerer Basis (mit einigen Änderungen) auf Grundlage von Datenlecks beim Data Mining: Bildung, Erkennung und Vermeidung von Kaufman, Rosset und Perlich durchgeführt.