特徴選択 | Tags | Autognosis

2026年9月8日 10:10

Split visualization showing imbalanced scales with overwhelming majority class on the left transforming into balanced, organized data arrangement on the right, connected by flowing algorithmic patterns representing bankruptcy prediction methodology

ハイブリッド・リサンプリングとスタッキング・アンサンブル技術を用いた破産予測、および説明可能AI（XAI）駆動分析

破産予測が標準的な分類問題として扱われるとき、失敗します。本質的に問われているのは、極度のクラス不均衡です。企業破産データセットの実証研究では、破産企業の発生率は3～5%（Altman, 1968; Beaver, 1966）であり、一方で健全企業は観測値の95～97%を占めています。従来の分類アルゴリズムは、多数派クラスの予測を通じて全体的精度を最適化します。これは数学的には損失関数を最小化しますが、運用上は少数派クラスのインスタンスを検出できません。

#機械学習 #アンサンブル学習 #説明可能なAI

AI・機械学習

2026年8月21日 19:04

Abstract visualization combining biological elements like RNA strands and blood cells with machine learning network nodes, representing the intersection of multiple sclerosis diagnosis, blood biomarkers, and computational analysis

MS-MLB: 血液ベースのMS分類に向けたオープン機械学習ベンチマーク

多発性硬化症（MS）の診断は、神経学的検査、MRI所見、検査室検査、および代替診断の体系的除外を統合する必要がある多面的な臨床課題のままです。このプロセスはMcDonald基準（2017年改訂版）に形式化されています。この診断枠組みは、単一の病理学的特異的検査が存在しないことを反映しており、多層的画像検査と脳脊髄液分析を通じて確認される脱髄病変の時間的および空間的分散が必要です。診断遅延は特に早期疾患段階において重大な結果をもたらします。

#機械学習 #ベンチマーキング #評価指標

#特徴選択

ハイブリッド・リサンプリングとスタッキング・アンサンブル技術を用いた破産予測、および説明可能AI（XAI）駆動分析

MS-MLB: 血液ベースのMS分類に向けたオープン機械学習ベンチマーク