El primer paso en el que sugeriría trabajar es en los datos / información de entrada para la capacitación / mapeo. Sospecho que tendrá que hacer un trabajo para obtener todo en un formato coherente. Supongo que también puede haber datos suplementarios asociados con cada diagnóstico que reflejen su precisión si incluye datos de diagnóstico falibles. Esto puede usarse para llegar a una métrica de porcentaje de confianza para su diagnóstico de salida.
Eso probablemente lo mantendrá ocupado por un tiempo y lo ayudará a acelerar su enfoque de aprendizaje automático / mapeo.
Una sugerencia que haría es pensar en sus datos de entrada como un árbol de ramificación, con cada rama como un campo / atributo de sus datos de entrada. De esta manera, podrías imaginar que el diagnóstico es una hoja al final de cada cadena de ramas. La tarea implicaría construir suficientes cadenas de ramas precisas a partir de los datos de capacitación para el mapeo preciso de las entradas a su diagnóstico de salida.
- Cómo entender algoritmos de ML, también conocido como profundidad de conocimiento de matemáticas
- ¿Cuáles son las restricciones en un brazo robótico para imitar los movimientos del brazo humano?
- ¿Quién es la IA más malvada, inteligente y poderosa en los juegos?
- ¿Puedo usar redes neuronales artificiales para la aproximación dinámica de funciones que están cambiando en el tiempo de manera impredecible?
- Cómo preparar a mis hijos para 2030 y en adelante cuando la IA está reemplazando a los humanos
