의료 이미지 처리를 위한 기계 학습에서 훈련과 테스트 비율 간의 상충

인공지능(AI)과 기계 학습(ML)은 인간의 지능을 모방하고 다양한 분야에서 의사 결정 과정을 향상시키는 것을 목표로 합니다. ML 모델의 주요 성능 결정 요인은 훈련 데이터셋과 테스트 데이터셋 간의 비율입니다. 본 연구는 BraTS 2013 데이터셋을 사용하여 다양한 훈련-테스트 분할 비율이 기계 학습 모델 성능 및 일반화 능력에 미치는 영향을 조사합니다. 로지스틱 회귀, 랜덤 포레스트, k 최근접 이웃, 지지 벡터 머신이 60:40에서 95:05까지의 분할 비율로 훈련되었습니다. 연구 결과 이러한 비율 간 정확도에서 상당한 차이가 있음을 밝혀내어, 과적합 또는 과소적합을 피하기 위한 균형 잡기의 중요성을 강조합니다. 본 연구는 모델 성능 지표, 통계적 측정 및 자원 제약과 같은 상충 요인을 고려한 최적 훈련-테스트 분할 비율 선택의 중요성을 강조합니다. 궁극적으로 이러한 통찰력은 비율 선택이 다양한 분야에서 기계 학습 응용 프로그램의 효과성과 신뢰성에 미치는 영향을 깊이 이해하는 데 기여합니다.