Enhancing Ayurvedic Diagnosis using Multinomial Naive Bayes and K-modes Clustering: An Investigation into Prakriti Types and Dosha Overlapping

要約

人体のプラクリティのタイプを特定することは、人間の性質と行動の間の調和を見つける上で長い間失われた医療行為です。
個人には 3 つの基本的なプラクリティ タイプがあります。
人はどのドーシャにも属すことができます。
既存のモデルでは、研究者は SVM、KNN、PCA、デシジョン ツリー、およびその他のさまざまなアルゴリズムを利用してきました。
これらのアルゴリズムの出力はかなりまともなものでしたが、多項単純ベイズと K モード クラスタリングの助けを借りて強化することができます。
研究者のほとんどは、3 つの基本クラスに限定しています。
これは現実のシナリオでは正確ではない可能性があり、重複が発生する可能性があります。
これらを考慮し、ドーシャの重複も含めて7つに分類しました。
これらは、すなわち、VATT-ドーシャ、PITT-ドーシャ、KAPH-ドーシャ、VATT-PITT-ドーシャ、PITT-KAPH-ドーシャ、KAPH-VATT-ドーシャ、およびVATT-PITT-KAPH-ドーシャです。
使用されるデータには、機械学習の前処理ステップが実行されたすべての個別エントリのバランスの取れたセットが含まれています。
カテゴリデータを処理するためのカイ二乗検定は、特徴の選択に使用されます。
モデル フィッティングの場合、このアプローチで使用される方法は K モード クラスタリングです。
経験的な結果は、MNB 分類器を使用した場合の結果がより優れていることを示しています。
この研究の主要な結果はすべて、精度 0.90、精度 0.81、F スコア 0.91、再現率 0.90 を達成しました。
この議論は、7 つのクラスターの摂理的分析を提案し、それらの発生を予測します。
その結果は、機械学習を使用してアーユルヴェーダの進歩を改善するために統合されました。

要約(オリジナル)

The identification of Prakriti types for the human body is a long-lost medical practice in finding the harmony between the nature of human beings and their behaviour. There are 3 fundamental Prakriti types of individuals. A person can belong to any Dosha. In the existing models, researchers have made use of SVM, KNN, PCA, Decision Tree, and various other algorithms. The output of these algorithms was quite decent, but it can be enhanced with the help of Multinomial Naive Bayes and K-modes clustering. Most of the researchers have confined themselves to 3 basic classes. This might not be accurate in the real-world scenario, where overlapping might occur. Considering these, we have classified the Doshas into 7 categories, which includes overlapping of Doshas. These are namely, VATT-Dosha, PITT-Dosha, KAPH-Dosha, VATT-PITT-Dosha, PITT-KAPH-Dosha, KAPH-VATT-Dosha, and VATT-PITT-KAPH-Dosha. The data used contains a balanced set of all individual entries on which preprocessing steps of machine learning have been performed. Chi-Square test for handling categorical data is being used for feature selection. For model fitting, the method used in this approach is K-modes clustering. The empirical results demonstrate a better result while using the MNB classifier. All key findings of this work have achieved 0.90 accuracy, 0.81 precision, 0.91 F-score, and 0.90 recall. The discussion suggests a provident analysis of the seven clusters and predicts their occurrence. The results have been consolidated to improve the Ayurvedic advancements with machine learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google