ОПТИМІЗАЦІЯ ОЦІНЮВАННЯ ІНФОРМАТИВНОСТІ МЕДИЧНИХ ПОКАЗНИКІВ НА ОСНОВІ ГІБРИДНОГО ПІДХОДУ
Ключові слова:
метод головних компонент, інформативність показників, медичне діагностування, власний вектор, власне значення
Анотація
У роботі пропонується новий підхід до оцінки інформативності медичних показників, відмінною рисою якого є оптимальне поєднання методів компресії вихідного простору ознак (Feature Extraction) і методів вибору найбільш інформативних показників з набору наявних (Feature Selection). Таким чином, досягається лінгвістична інтерпретовність простору ознак і оптимальний вибір скороченого набору ознак.
Завантаження
Дані завантаження ще не доступні.
Посилання
1. Bezdek J.C. Prototype classification and feature selection with fuzzy sets / J.C. Bezdek, P. Castelaz // IEEE Trans. on Systems, Man and Cybernetics. – 1977. – № 7. – Р. 87-92.
2. Pal S.K. Fuzzy set theoretic measures for automatic feature evaluation: II / S.K. Pal // Information Sciences. – 1992. – № 64. – Р. 165-179.
3. Pal S.K. Fuzzy set theoretic measures for automatic feature evaluation / S.K. Pal, B. Chakraborty // IEEE Trans. on Systems, Man and Cybernetics. – 1986. – № 16. – Р. 754-760.
4. Priddy K.L. Bayesian selection of important features or feed-forward neural networks / K.L. Priddy, S.K. Rogers, D.W. Ruck, G.L. Tarr, M. Kabrisky //Neurocomputing. – 1993. – № 5. – Р. 91-103.
5. Steppe J.M. Improved feature screening in feedforward neural networks / J.M. Steppe, K.W. Bauer // Neurocomputing. – 1996. – № 13. – Р. 47-58.
6. De R.K. Feature analysis: neural network and fuzzy set theoretic approaches / R.K. De, N.R. Pal, S.K Pal // Pattern Recognition. – 1997. – № 30. – Р. 1579-1590.
7. Pregenzer M. Automated feature selection with a distinctive sen-sitive learning vector quantizer / M. Pregenzer, G. Pfurtscheller, D. Flotzinger // Neurocomputing. – 1996. – № 11. – Р. 19-29.
8. Rao C.R. The use and interpretation of principal component analysis in applied research / C.R. Rao // Sankhya. – 1964. – Vol. 26. – № 4. – P. 329-358.
9. Okamoto M. Optimality principal components multivariate analysis / M. Okamoto // Proc. 3 Int. Symp. Dayton. – 1967.
10. Okamoto M. Minimization of eigenvalues of a matrix and opti-mality of principal components / M. Okamoto, M. Kanazawa // Ann. Math. Statist. – 1968. – Vol. 39. – № 3. – P. 1-20.
11. Bishop C.M. Neural Networks for Pattern Recognition / C.M. Bishop. − Oxford: Clarendon Press, 1995. – 482 p.
12. Cichocki A. Neural Networks for Optimization and Signal Processing / A. Cichocki, R. Unbehauen. – Stuttgart: Teubner, 1993. – 526 p.
13. Han J. Data Mining: Concepts and Techniques / J. Han, M. Kamber. – Amsterdam: Morgan Kaufman Publ., 2006. – 743 p.
14. Файнзильберг Л.С. Математические методы оценки полез-ности диагностических признаков: Монография / Л.С. Файнзильберг. – К.: Освіта України. 2010. – 152 с.
15. Mulesa P. Fuzzy Spacial Extrapolation Method Using Manhattan Metrics for Tasks of Medical Data Mining / P. Mulesa, I. Perova // Computer Science and Information Technologies CSIT’2015. – Lviv, 2015. – Р. 104-106.
16. Dermatology dataset. – Available from: http://archive.ics.uci.edu/ ml/machine-learning-databases/dermatology/dermatology.data. – Access Date: 2008.
17. Breast Cancer in Wisconsin dataset. – Available from: http:// archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data. – Access Date: 2008.
18. Pima Indians Diabetes dataset. – Available from: http://archive. ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/ pima-indians-diabetes.data. – Access Date: 2008.
19. Parkinson dataset. Available from: http://archive.ics.uci.edu/ml/ machine-learning-databases/parkinsons/parkinsons.data. – Access Date: 2008.
2. Pal S.K. Fuzzy set theoretic measures for automatic feature evaluation: II / S.K. Pal // Information Sciences. – 1992. – № 64. – Р. 165-179.
3. Pal S.K. Fuzzy set theoretic measures for automatic feature evaluation / S.K. Pal, B. Chakraborty // IEEE Trans. on Systems, Man and Cybernetics. – 1986. – № 16. – Р. 754-760.
4. Priddy K.L. Bayesian selection of important features or feed-forward neural networks / K.L. Priddy, S.K. Rogers, D.W. Ruck, G.L. Tarr, M. Kabrisky //Neurocomputing. – 1993. – № 5. – Р. 91-103.
5. Steppe J.M. Improved feature screening in feedforward neural networks / J.M. Steppe, K.W. Bauer // Neurocomputing. – 1996. – № 13. – Р. 47-58.
6. De R.K. Feature analysis: neural network and fuzzy set theoretic approaches / R.K. De, N.R. Pal, S.K Pal // Pattern Recognition. – 1997. – № 30. – Р. 1579-1590.
7. Pregenzer M. Automated feature selection with a distinctive sen-sitive learning vector quantizer / M. Pregenzer, G. Pfurtscheller, D. Flotzinger // Neurocomputing. – 1996. – № 11. – Р. 19-29.
8. Rao C.R. The use and interpretation of principal component analysis in applied research / C.R. Rao // Sankhya. – 1964. – Vol. 26. – № 4. – P. 329-358.
9. Okamoto M. Optimality principal components multivariate analysis / M. Okamoto // Proc. 3 Int. Symp. Dayton. – 1967.
10. Okamoto M. Minimization of eigenvalues of a matrix and opti-mality of principal components / M. Okamoto, M. Kanazawa // Ann. Math. Statist. – 1968. – Vol. 39. – № 3. – P. 1-20.
11. Bishop C.M. Neural Networks for Pattern Recognition / C.M. Bishop. − Oxford: Clarendon Press, 1995. – 482 p.
12. Cichocki A. Neural Networks for Optimization and Signal Processing / A. Cichocki, R. Unbehauen. – Stuttgart: Teubner, 1993. – 526 p.
13. Han J. Data Mining: Concepts and Techniques / J. Han, M. Kamber. – Amsterdam: Morgan Kaufman Publ., 2006. – 743 p.
14. Файнзильберг Л.С. Математические методы оценки полез-ности диагностических признаков: Монография / Л.С. Файнзильберг. – К.: Освіта України. 2010. – 152 с.
15. Mulesa P. Fuzzy Spacial Extrapolation Method Using Manhattan Metrics for Tasks of Medical Data Mining / P. Mulesa, I. Perova // Computer Science and Information Technologies CSIT’2015. – Lviv, 2015. – Р. 104-106.
16. Dermatology dataset. – Available from: http://archive.ics.uci.edu/ ml/machine-learning-databases/dermatology/dermatology.data. – Access Date: 2008.
17. Breast Cancer in Wisconsin dataset. – Available from: http:// archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data. – Access Date: 2008.
18. Pima Indians Diabetes dataset. – Available from: http://archive. ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/ pima-indians-diabetes.data. – Access Date: 2008.
19. Parkinson dataset. Available from: http://archive.ics.uci.edu/ml/ machine-learning-databases/parkinsons/parkinsons.data. – Access Date: 2008.
Опубліковано
2017-09-27
Як цитувати
БОДЯНСЬКИЙ, Є., ПЕРОВА, І., & СТОЙКА, Г. (2017). ОПТИМІЗАЦІЯ ОЦІНЮВАННЯ ІНФОРМАТИВНОСТІ МЕДИЧНИХ ПОКАЗНИКІВ НА ОСНОВІ ГІБРИДНОГО ПІДХОДУ. Розвиток транспорту, (1(1), 108-115. https://doi.org/10.33082/td.2017.1-1.11
Розділ
ІНФОРМАЦІЙНІ ІНТЕЛЕКТУАЛЬНІ ТЕХНОЛОГІЇ В АВТОМАТИЗОВАНИХ СИСТЕМАХ ОБРОБКИ ДАНИХ
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
