Abstract Feature selection becomes prominent, especially in the data sets with many variables and features. It will eliminate unimportant variables and improve the accuracy as well as the performance of classification. Random Forest has emerged as a quite useful algorithm that can handle the feature selection issue even with a higher number of variables. In this paper, we use three popular datasets with a higher number of variables (Bank Marketing, Car Evaluation Database, Human Activity Recognition Using Smartphones) to conduct the experiment. There are four main reasons why feature selection is essential. First, to simplify the model by reducing the number of parameters, next to decrease the training time, to reduce overfilling by enhancing generalization, and to avoid the curse of dimensionality. Besides, we evaluate and compare each accuracy and performance of the classification model, such as Random Forest (RF), Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Linear Discriminant Analysis (LDA). The highest accuracy of the model is the best classifier. Practically, this paper adopts Random Forest to select the important feature in classification. Our experiments clearly show the comparative study of the RF algorithm from different perspectives. Furthermore, we compare the result of the dataset with and without essential features selection by RF methods varImp(), Boruta, and Recursive Feature Elimination (RFE) to get the best percentage accuracy and kappa. Experimental results demonstrate that Random Forest achieves a better performance in all experiment groups.

Super-resolution technology improves the quality of images and videos by enhancing details and overall clarity. Although many pre-trained super-resolution models are available, they are generally designed for general use. This research aims to investigate using existing SRGAN and ESRGAN models to enhance the quality of traffic signs through retraining from scratch. Based on the PSNR metric, our experiment showed that SRGAN and ESRGAN effectively improved image quality, achieving scores of 29.838 and 29.503, respectively. These results indicate the potential of customizing pre-trained super-resolution models for specific tasks, which could significantly enhance the accuracy and effectiveness of traffic sign detection systems.

Traffic accidents in Taichung City have increased steadily over the past five years, attributed to rising numbers of cars and motorcycles, leading to higher accident and violation rates. Violations related to specific road markings are a significant factor. This study uses the advanced YOLOv8 object detection model to classify road markings in detail. The model will be trained on a dataset of 9,225 Taiwanese road photos, including 4,839 day images and 4,386 night images. The trained model will be exported as a TFlite model and integrated into Android Studio to develop an app capable of operating on roads day and night.

Inefficient patient transport in hospitals often leads to delays, overworked staff, and suboptimal resource utilization, ultimately impacting patient care. Existing dispatch management algorithms are often evaluated in simulation environments, raising concerns about their real-world applicability. This study presents a real-world experiment that bridges the gap between theoretical dispatch algorithms and real-world implementation. It applies process capability analysis at Taichung Veterans General Hospital in Taichung, Taiwan, and utilizes IoT for real-time tracking of staff and medical devices to address challenges associated with manual dispatch processes. Experimental data collected from the hospital underwent statistical evaluation between January 2021 and December 2021. The results of our experiment, which compared the use of traditional dispatch methods with the Beacon dispatch method, found that traditional dispatch had an overtime delay of 41.0%; in comparison, the Beacon dispatch method had an overtime delay of 26.5%. These findings demonstrate the transformative potential of this solution for not only hospital operations but also for improving service quality across the healthcare industry in the context of smart hospitals.