ورود
مقالات فارسیISIکنفرانسهاژورنالها

تشخیص سرطان سینه با استفاده از روشی جدید برای یادگیری در داده های چند رده ای و نامتوازن

محل انتشار: اولین کنفرانس ملی دانش پژوهان کامپیوتر و فناوری اطلاعات
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,021

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/132094

شناسه ملی سند علمی:

CSCCIT01_115

تاریخ نمایه سازی: 8 بهمن 1390

چکیده مقاله:

اغلب الگوریتم های رده بندی فرض می کنند که توزیع رده ها یکسان است و در صورتی که توزیع رده ها نامتوازن باشد این الگوریتم ها در تشخیص خود دچار مشکل می شوند و رده ی اقلیت که تعداد داده های آن بسیار کم است اغلب نادیده انگاشته می شود . نمونه ای از این مسائل نامتوازن تشخیص افراد سرطانی می باشد. در این مقاله روشی کارا برای تشخیص سرطان سینه ارائه شده و نتایج بدست آمده با سایر الگوریتم های رده بندی مقایسه شده است. مجموعه اادهی مورد استفاده در این مقاله ، شامل اطلاعات بینماران زن مراجعه کننده به بیمارستان شهید رجایی آران و بیدگل می باشد.

کلیدواژه ها:

نویسندگان

فاطمه السادات طباطبائی عینکی

دانشگاه قم -گروه فناوری اطلاعات

بهروز مینایی بیدگلی

دانشگاه علم و صنعت ایران - دانشکده مهندسی کامپیوتر

فریبا مینایی بید گلی

دانشگاه علوم پزشکی کاشان- دانشکده پزشکی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • American Cancer Society, Cancer Facts & Figures 2009, Atlanta, American ...
  • Cancer Council Victoria, Breast cancer: for people with cancer, their ...
  • American Cancer Society, Breast Cancer Facts & Figures 2009-2010, Atlanta, ...
  • Akay, M. F., "Support vector machines combined with feature selection ...
  • Parvin, H., Minaei-B idgoli, B., Alizadeh, H., "Iranian Cancer Patient ...
  • He, H., Garcia E. A., "Learning from imbalanced data", IEEE ...
  • Kubat, M., Holte, R., Matwin, S., "Machine learning for detection ...
  • Liu, X. Y., Wu, J., Zhou, Z. H., "Exploratory Under- ...
  • Liu, X. Y., Wu, J., Zhou, Z. H., "Exploratory Under- ...
  • Hulse, J. V., Khoshgoftaar, T. M., Napolitano, _ "Experimental Perspectives ...
  • Kubat, M., Matwin, S., "Addressing the curse of imbalanced training ...
  • Chawla, N. V., Bowyer, K. W., Hall, L. O., Kegelmeyer, ...
  • Han, H., Wang, W. Y., Mao, B. H., _ _ ...
  • Elkan, C., "The Foundations of Cost-Sensitive Learning", Proc. Int '1 ...
  • Liu, X. Y., Zhou, Z. H., "The Influence of Class ...
  • Maloof, M. A., "Learning When Data Sets Are Imbalanced and ...
  • He, H., Bai, Y., Garcia, E. A., Li, S., :ADASYN: ...
  • Sun, Y., Kamel, M. S., Wang, Y., "Boosting for Learning ...
  • _ _ _ Class-Based and _ Selectionr", Computer and Information ...
  • Figueredo, G. P., Ebecken, N. F., Barbosa, H. J. C., ...
  • Liu, A, Ghosh, J., Martin, C., "A Framework for Analyzing ...
  • Breiman, L., "Bagging predictors, " Machine Learning, Vol. 24, No. ...
  • Schapire, R. E., _ brief introduction to Boosting", In Proceedings ...
  • Freund, Y., "Boosting a weak learning algorithm by majority", Information ...
  • Schapire, R. E., "The strength of weak learnability", Machine Learning, ...
  • Freund, Y., Schapire, R. E., _ deci sion-theoretic generalization of ...
  • Bishop, C. M., Neural networks for pattern recognition. Oxford, Clarendon ...
  • Duan, K., Keerthi, S. S., "Which Is the Best Multiclass ...
  • Breiman, L., Friedman, J., Olshen, R. A., Stone, C. J., ...
  • Michael, J. A., Gordon, S. L, Data mining technique: For ...
  • T'sou, B., Lai, T., Chan, S., Gao, W., Zhan, X., ...
    • نمایش کامل مراجع