Escolar Documentos
Profissional Documentos
Cultura Documentos
O PMC foi capaz de classificar os dados conforme tabela devem ser acompanhados por um especialista e utilizado como
abaixo: parte de um conjunto de testes e avaliações clinicas.
Valores Reais Como trabalho futuro, recomenda-se a investigação de quais
Saudável Patológico Total variáveis possam ser retiradas, modificadas ou acrescentadas
Saudável 478 112 590 para que se possa obter uma taxa de acerto de 100%.
Valores
Patológico 84 326 410
Preditos
Total 562 438 1000
REFERÊNCIAS
Tabela 2. Matriz de confusão
[1] World Heart Federation, “Cardiovascular diseases (CVDs) -
A tabela 2 é chamada de matriz de confusão e compara os Global facts and figures” [https://www.world-heart-
resultados obtidos pelo software com os resultados previamente federation.org/resources/cardiovascular-diseases-cvds-
laudados pelos especialistas. As linhas representam a global-facts-figures/], 2017.
classificação dada pelo software, enquanto as colunas [2] C. Blake, E. Keogh, and C. J. Merz, “UCI Repository of
representam a classificação dada pelo especialista. machine learning databases”
Por esta tabela fica claro que o PMC foi capaz de acertar, em [http://www.ics.uci.edu/~mlearn/ MLRepository.html],
número absolutos, 95,2% e 93,6% da quantidade total de Irvine, CA: University of California, Department of
pessoas saudáveis e patológicas respectivamente, entretanto a Information and Computer Science, 1998.
quantidade final de pessoas patológicas ou saudáveis não é [3] Shreya Aliwadi et al. “Diagnosis of diabetic nature of a
parâmetro para avaliar a eficácia da rede, pois o PMC deve ser person using SVM and ANN approach”. In: 2017 6th
International Conference on Reliability, Infocom
capaz de classificar corretamente as pessoas com patologia ou
Technologies and Optimization (Trends and Future
não, sem ocorrer falsos positivos ou negativos.
Directions) (ICRITO). 2017.
Analisando os resultados das 1.000 amostras avaliadas na
[4] Mahima and N. B. Padmavathi. “Comparative study of
fase de operação durante os 20 treinamentos, o PMC obteve as kernel SVM and ANN classifiers for brain neoplasm
seguintes taxas: classification”. In: 2017 International Conference on
Intelligent Computing, Instrumentation and Control
Falso Negativo 8,40% Technologies (ICICICT). 2017.
Falso Positivo 11,20% [5] Deepak Sharma, Abdul Hamid Bhat, and Aijaz Ahmad.
“ANN based SVPWM for three-phase improved power
Verdadeiro Negativo 32,60% quality converter under disturbed AC mains”. In: 2017
Verdadeiro Positivo 47,80% 6th International Conference on Computer Applications
Tabela 3. Resultados da rede PMC In Electrical Engineering-Recent Advances (CERA).
2017.
V. CONCLUSÃO
O objetivo deste trabalho foi investigar a capacidade do PMC
de classificar um conjunto de dados composto por dois grupos:
saudáveis e patológicos.
Várias topologias foram testadas e a vencedora foi aquela que
apresentou menor quantidade de falsos negativos e um bom
equilíbrio com os falsos positivos.
Para a topologia vencedora foi executado 20 treinamentos
com amostras aleatórios e apresentado os resultados.
Através da tabela 1 e 2, mostrou-se que o PMC obtive um
bom desempenho, porém seus resultados devem ser
acompanhados por um especialista, visto que por melhor que
tenha sido o desempenho da rede, a mesma não apresentou
100% de acertos.
Os resultados devem ser interpretados da seguinte maneira:
▪ Classificação 0: 91,6% de chances de o paciente ter
redução da artéria menor que 50%, ou seja, 91,2%
de chances de não haver patologias cardíacas.
▪ Classificação 1: 88,2% de chances de o paciente ter
redução da artéria maior que 50%, ou seja, 88,2%
de chances de haver patologias cardíacas.
Conclui-se que o PMC é uma ferramenta poderosa para
classificação de patologias cardíacas, porém seus resultados