Tytuł pozycji:
Enhancing predictive models for assessing 5G exposure effects on human health and cognition through supervised machine learning: a multi-stage feature selection approach
No prior reviews have focused on any comprehensively examine the effects of 5G exposure (700 MHz to 30 GHz) on human health and cognition using supervised Machine Learning (ML). This novel research combined the Multi-Stage Feature Selection (MSFS) and hybrid features for classification machine learning model. The approach which includes the use of MSFS, yielded better results in terms of accuracy, precision, F1 score, sensitivity, and specificity when contrasted with the approach that did not incorporate MSFS with accuracy more than 0.95 for both datasets.
adne wcześniejsze przeglądy nie skupiały się na kompleksowym badaniu wpływu narażenia na sieć 5G (700 MHz do 30 GHz) na zdrowie ludzkie i funkcje poznawcze przy użyciu nadzorowanego uczenia maszynowego (ML). W tym nowatorskim badaniu połączono wieloetapowy wybór cech (MSFS) i funkcje hybrydowe na potrzeby modelu uczenia maszynowego klasyfikującego. Podejście obejmujące wykorzystanie MSFS dało lepsze wyniki pod względem dokładności, precyzji, współczynnika f1, czułości i specyficzności w porównaniu z podejściem, które nie obejmowało MSFS z dokładnością większą niż 0,95 dla obu zbiorów danych.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
