ترجمه مقاله ترکیب شواهد در پردازش داده های پزشکی

29 مرداد 1397 | 13:38

ترجمه مقاله ترکیب شواهد در پردازش داده های پزشکی
عنوان فارسی مقاله: ترکیب شواهد در پردازش داده های پزشکی
عنوان انگلیسی مقاله: Evidence Combination in Medical Data Mining
مجله/کنفرانس: کنفرانس بین المللی فناوری اطلاعات: رمزگذاری و محاسبات ،2004 (ITCC 2004)
رشته های تحصیلی مرتبط: پزشکی
گرایش های تحصیلی مرتبط: انفورماتیک پزشکی
کلمات کلیدی انگلیسی: Data mining, Medical diagnostic imaging, Diseases, Uncertainty, Classification tree analysis, Breast cancer, Skin, Lesions, Bayesian methods, Decision trees
نمایه: IEEE
DOI: doi.org/10.1109/ITCC.2004.1286697
ناشر: IEEE
نوع ارائه مقاله: کنفرانسی
نوع مقاله: ISI
سال انتشار مقاله: 2004
فرمت مقاله انگلیسی: PDF
فرمت ترجمه فارسی: Word
تعداد صفحات مقاله انگلیسی: 5
تعداد صفحات ترجمه فارسی: 11
کد محصول: EM9273
فهرست انگلیسی مطالب
Abstract

Introduction

Background on the Theory of Evidence

Computing Beliefs with Nearest Neighbors

Computing Beliefs with a Decision Tree

Uncertainty Evaluation

Experimental Evaluation
-Results

Related Work

Conclusion

References
ترجمه فارسی فهرست مطالب
چکیده

مقدمه

پیشینه تئوری شاهد

محاسبه باورها با نزدیک ترین همسایه ها

محاسبه باورها با درخت تصمیم

ارزیابی عدم اطمینان

ارزیابی عملی
-نتایج

کارهای مرتبط

نتیجه گیری

رفرنس ها
نمونه متن انگلیسی مقاله
Abstract

In this work we apply Dempster-Shafer’s theory of evidence combination for mining medical data. We consider the classification task in two domains: Breast tumors and skin lesions. Classifier outputs are used as a basis for computing beliefs. Dynamic uncertainty assessment is based on class differentiation. We combine the beliefs of three classifiers: k-Nearest Neighbor (kNN), Naïve Bayesian and Decision Tree. Dempster’s rule of combination combines three beliefs to arrive at one final decision. Our experiments with k-fold cross validation show that the nature of the data set has a bigger impact on some classifiers than others and the classification based on combined belief shows better overall accuracy than any individual classifier. We compare the performance of Dempster’s combination (with differentiation-based uncertainty assignment) with those of performance-based linear and majority vote combination models. We study the circumstances under which the evidence combination approach improves classification.
نمونه متن فارسی مقاله
چکیده

در این کار ما از تئوری دمپستر-شافر از ترکیب شواهد برای پردازش داده های پزشکی استفاده کرده‌ایم. ما طبقه‌بندی را در دو حوزه در نظر گرفته‌ایم: تومورهای سینه و زخم‌های پوستی. خروجی‌های دسته‌کننده به عنوان پایه‌ای برای محاسبه ی باور ها استفاده می‌شوند. سنجش عدم اطمینان پویا برپایه ی تفکیک کلاس است. ما عقاید سه دسته کننده را باهم ترکیب کردیم: k- نزدیک ترین همسایه (kNN)، Naïve Bayesian و درخت تصمیم . قانون دمپستر در مورد ترکیبات، سه باور را ترکیب می‌کند تا به یک تصمیم واحد دست یابد. تجارب ما با k-fold cross validation نشان می‌دهد که طبیعت مجموعه داده ها نسبت به سایرین اثر بزرگتری روی برخی دسته‌کننده ها داشته و دسته بندی بر پایه‌ی باور ی ترکیب شده نسبت به دسته کننده‌های تکی، دقت بهتری را نشان می‌دهد. ما عملکرد ترکیب دمپستر (با وظیفه ی عدم اطمینان) را با عملکرد مدل های ترکیبی مطبوع و خطی که عملکرد محور هستند مقایسه نمودیم. ما شرایطی را مورد مطالعه قرار دادیم که تحت آن ها رویکرد ترکیب شواهد دسته بندی ارتقا می یابند.
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

جستجوی پیشرفته مشاهده خریدهای قبلی