Development of New Hybrid Models for Prediction of Maximal Oxygen Uptake (VO2max) Using Machine Learning Methods Combined with Feature Selection Algorithms

Sprache: Englisch

Verlag: GRIN Verlag Jan 2022, 2022

3346551075 / 9783346551078

Anbieter: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, DeutschlandBuchWeltWeit Ludwig Meier e.K.

Verkäufer/-in mit 5 Sternen

Verkäufer:in bei AbeBooks seit 11. Januar 2012

Softcover

Zustand: Neu

EUR 47,95

EUR 23,00 Versand 
Versand von Deutschland nach USA

Anzahl: 2 verfügbar

In den Warenkorb
30 Tage kostenlose Rückgabe

Artikelbeschreibung des Verkäufers

This item is printed on demand - it takes 3-4 days longer - Neuware -Doctoral Thesis / Dissertation from the year 2017 in the subject Engineering - Computer Engineering, grade: 100.00/100.00, Çukurova University, language: English, abstract: The purpose of this thesis is twofold. The first purpose is to develop new hybrid feature selection-based maximal oxygen uptake (VO2max) prediction models using for the first time the double and triple combinations of maximal, submaximal and questionnaire variables. Several machine learning methods including Support Vector Machine, artificial neural network-based and tree-structured methods combined individually with three feature selectors Relief-F, minimum redundancy maximum relevance (mRMR) and maximum-likelihood feature selector (MLFS) have been applied for model development. The second purpose is to design a new ensemble feature selector, which aggregates the consensus properties of Relief-F, mRMR and MLFS to produce more robust decisions about the set of relevantly identified VO2max predictors and to create more accurate prediction models. Using 10-fold cross validation on three different datasets, the performance of prediction models has been evaluated by calculating their multiple correlation coefficients (R's) and root mean squared errors (RMSE's). The results show that compared with the results of the other regular feature selection-based models in literature, the reported values of R and RMSE of the hybrid models in this thesis are considerably more accurate. Furthermore, prediction models based on the proposed ensemble feature selector outperform the models created by individually using the Relief-F, mRMR or MLFS, achieving similar or ideally up to 12.46% lower error rates on the average. 148 pp. Englisch.…

Titel
Development of New Hybrid Models for Prediction of Maximal Oxygen Uptake (VO2max) Using Machine Learning Methods Combined with Feature Selection Algorithms
Autor
Fatih Abut
Verlag
GRIN Verlag Jan 2022
Erscheinungsjahr
2022
Zustand
Neu
Einband
Taschenbuch
Sprache
Englisch
ISBN-10
3346551075
ISBN-13
9783346551078
Artikelgewicht
225 Gramm
Abmessungen
210x148x11 mm

BuchWeltWeit Ludwig Meier e.K.

Bergisch Gladbach, Deutschland

Verkäufer/-in mit 5 Sternen

Verkäufer:in bei AbeBooks seit 11. Januar 2012

Versandkosten von Deutschland nach USA

Artikel5 bis 15 Werktage5 bis 15 Werktage
Erster ArtikelEUR 23,00EUR 23,00
Die Versandzeiten werden von den Verkäuferinnen und Verkäufern festgelegt. Sie variieren je nach Versanddienstleister und Standort. Sendungen, die den Zoll passieren, können Verzögerungen unterliegen. Eventuell anfallende Abgaben oder Gebühren sind von der Käuferin bzw. dem Käufer zu tragen. Die Verkäuferin bzw. der Verkäufer kann Sie bezüglich zusätzlicher Versandkosten kontaktieren, um einen möglichen Anstieg der Versandkosten für Ihre Artikel auszugleichen.

Zahlungsarten

  • Visa
  • Mastercard
  • American Express
  • Carte Bleue
  • Apple Pay
  • Google Pay
  • Banküberweisung
  • PayPal
  • Vorauskasse

Unternehmensdaten der Verkäuferin bzw. des Verkäufers

BuchWeltWeit Ludwig Meier e.K.

Deutschland

BuchWeltWeit Inh. Ludwig Meier e.K.
Inhaber: Ludwig Meier
De-Gasperi-Str. 8
51469 Bergisch Gladbach
Deutschland

Tel.: +49(0)22028659300
Fax: +49(0)22028659301
E-Mail: info@buchweltweit.de

Registergericht: Amtsgericht Köln
Registernummer: HRA 28253

Umsatzsteuer-Identifikationsnummer: DE815259907

Wir sind zur Teilnahme an einem Streitbeilegungsverfahren vor einer Verbraucherschlichtungsstelle weder verpflichtet noch bereit.