Auswahl wichtiger Symptome für medizinische Datensätze

Die Auswahl optimaler Merkmale ist ein wichtiges Forschungsgebiet im Bereich medizinischer Data-Mining-Systeme. In dieser Forschungsarbeit stellen wir ein effizientes Verfahren zur Auswahl von Teilmengen von Merkmalen, zur Einstufung von Merkmalen und zur Klassifizierung vor, das als Hauptkomponentenanalyse auf der Grundlage der JK-Methode zur Verbesserung der Erkennungsgenauigkeit und zur optimalen Auswahl von Teilmengen von Merkmalen bezeichnet wird. Die vorgeschlagene Methode passt einen Parameter namens "Varianzabdeckung" an und erstellt das Modell mit dem Wert, bei dem eine maximale Klassifizierungsgenauigkeit erzielt wird. Dies erleichtert die Auswahl eines kompakten Satzes von überlegenen Merkmalen, und das zu bemerkenswert niedrigen Kosten. Der umfassende experimentelle Vergleich der vorgeschlagenen Methode mit anderen Methoden unter Verwendung von drei verschiedenen Klassifikatoren (Naïve Bayes (NB), Multi-Layer-Perceptron (MLP) und J48-Entscheidungsbaum) und sechs verschiedenen medizinischen Datensätzen kann bestätigen, dass die vorgeschlagene (PCA-JK)-Strategie vielversprechende Ergebnisse bei der Auswahl der Merkmale und der Klassifizierungsgenauigkeit für das medizinische Data-Mining-Forschungsgebiet liefert.