Illing, S.: Automatisiertes klinisches Codieren (2021)
0.01
0.01236917 = product of:
0.03710751 = sum of:
0.007804629 = weight(_text_:in in 419) [ClassicSimilarity], result of:
0.007804629 = score(doc=419,freq=2.0), product of:
0.06491381 = queryWeight, product of:
1.3602545 = idf(docFreq=30841, maxDocs=44218)
0.04772181 = queryNorm
0.120230645 = fieldWeight in 419, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
1.3602545 = idf(docFreq=30841, maxDocs=44218)
0.0625 = fieldNorm(doc=419)
0.029302878 = weight(_text_:und in 419) [ClassicSimilarity], result of:
0.029302878 = score(doc=419,freq=4.0), product of:
0.105769046 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.04772181 = queryNorm
0.27704588 = fieldWeight in 419, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.0625 = fieldNorm(doc=419)
0.33333334 = coord(2/6)
- Abstract
- Die in diesem Artikel vorgestellte Bachelorarbeit behandelt die Ergebnisse einer Shared Task im Bereich eHealth. Es wird untersucht, ob die Klassifikationsgenauigkeit ausgewählter klinischer Codiersysteme durch den Einsatz von Ensemble-Methoden verbessert werden kann. Entscheidend dafür sind die Werte der Evaluationsmaße Mean Average Precision und F1-Maß.
- Source
- Information - Wissenschaft und Praxis. 72(2021) H.5/6, S.285-290
