Publication

RANSAC-based Enhancement in Drug Concentration Prediction Using Support Vector Machine

Giovanni De Micheli, Alena Simalatsar, Wenqi You Dubout
2012
Conference Papers

Résumé

Training Support Vector Machines (SVMs) to predict drugs concentrations is often difficult because of the high level of noise in the training data, due to various kinds of measurement errors. We apply RANdom SAmple Consensus (RANSAC) algorithm in this paper to solve this problem, enhancing the prediction accuracy by more than 40% in our particular case study. A personalized sample selection method is proposed to further improve the prediction result in most cases.

Source officielle

https://infoscience.epfl.ch/entities/publication/3733fac4-7e16-48b5-9b25-b869970220eb

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

RANSAC-based Enhancement in Drug Concentration Prediction Using Support Vector Machine

Chattez avec Graph Search

Robustness of Local Predictions in Atomistic Machine Learning Models

DeepBreath-automated detection of respiratory pathology from lung auscultation in 572 pediatric outpatients across 5 countries

Error scaling laws for kernel classification under source and capacity conditions