decision tree

Decision tree for the identification of critical points

Entscheidungsbaum zur Identifizierung der kritischen Punkte zwecks Risikobeherrschung

Further me- thods are discriminate analyses, decision tree methods, k-nearest neighbor methods, etc.210

Weitere Metho-den sind diskriminieren Analysen, Entscheidungsbaumverfahren, k-Nächster-Nachbar-Methoden, etc.210

Decision tree

Entscheidungsbaum

Further methods are discriminate analyses, decision tree methods, k-nearest neighbor methods, etc.

Weitere Methoden sind diskriminieren Analysen, Entscheidungsbaumverfahren, k-Nächster-Nachbar-Verfahren usw.

Is BP Modulo possible? (see detailled decision tree)

Ist BP Modulo möglich? (Siehe detaillierte Entscheidungsbaum)

101. The differences between IAS 37 and Solvency II relative to the recognition principles are explained in the table and decision tree in section 6.1.

101. Die Unterschiede zwischen IAS 37 und Solvency II in Bezug auf die Anerkennung Grundsätze sind in der Tabelle und Entscheidungsbaum in Abschnitt 6.1 erläutert.

Activity Classification Algorithms Activity classification algorithms were implemented through methods of threshold-based classifica- tions, hierarchical/decision tree models, or ad- vanced machine learning techniques. Some studies developed their classification algorithms by combining a threshold-based method with a decision tree model. A few studies used machine learning techniques to implement their activity classification algorithms. Some different machine learning techniques used in these studies were artificial neural network, k-nearest neigh- bor, naive Bayes classifier, support vector ma- chine, Gaussian mixture model, hidden Markov model, and fuzzy logic.

Activity Klassifikationsalgorithmen Aktivität Klassifikationsalgorithmen wurden durch Methoden der Schwelle-basierte Klassifizierung gen, hierarchische / Entscheidungsbaum-Modelle, oder Advanced-Techniken des maschinellen Lernens umgesetzt. Einige Studien entwickelt ihre Einstufung durch die Kombination von Algorithmen einen Schwellenwert-basierte Methode mit einem Entscheidungsbaum-Modell. Einige Studien verwendeten Techniken des maschinellen Lernens, um ihre Aktivität Klassifikationsalgorithmen umzusetzen. Einige verschiedene Techniken des maschinellen Lernens in diesen Studien verwendet wurden künstliche neuronale Netz, k-nächsten Nachbarn Bor, Naive Bayes Klassifizierer, Support-Vektor-Maschine, Gaussian Mixture Model, Hidden-Markov-Modell und Fuzzy-Logik.

In view of the available activity classification algorithms, a suitable algorithm for older rehabilitation patients would be generic and able to classify the basic postures, postural transi- tions, and walking accurately. Both the combined algorithm (threshold-based and decision tree) and machine learning– based activity classification algorithms showed high accu- racy in detecting movements of healthy adults with the use of a single triaxial accelerometer device on the waist. However, because the ability of older patients to perform activities of daily living (such as slow and unsteady gait) are different from other members of the population, further validation work with data from a large sample of older rehabilitation patients is required to confirm the validity of these algorithms for appli- cation in a geriatric rehabilitation setting.

In Anbetracht der zur Verfügung stehenden Tätigkeit Klassifikationsalgorithmen, wäre ein geeigneter Algorithmus für ältere Reha-Patienten generisch sein und in der Lage, die grundlegenden Haltungen, Haltungs-Übergangs-gen, und zu Fuß genau zu klassifizieren. Sowohl der kombinierte Algorithmus (Threshold-basierte und Entscheidungsbaum) und maschinelles Lernen basierende Aktivität Klassifikationsalgorithmen zeigte eine hohe Genauigkeit bei der Erkennung von Bewegungen gesunde Erwachsene mit der Verwendung eines einzigen Triaxialaufnehmer Gerät auf der Taille. Jedoch wird, weil die Fähigkeit der älteren Patienten zu Aktivitäten des täglichen Lebens (z. B. langsame und unsicherer Gang) durchzuführen unterscheiden sich von anderen Mitgliedern der Bevölkerung, eine weitere Validierung der Arbeit mit Daten aus einer großen Stichprobe von älteren Reha-Patienten erforderlich, um die Gültigkeit zu bestätigen dieser Algorithmen für die Anwen-dung in einer geriatrischen Rehabilitation Einstellung.