Συγκριτική μελέτη αλγορίθμων ομαδοποίησης με
εφαρμογή σε ιατρικά δεδομένα

Νικολαΐδης, Γεώργιος; Nikolaidis, Georgios

dc.contributor.author	Νικολαΐδης, Γεώργιος	el
dc.contributor.author	Nikolaidis, Georgios	en
dc.date.accessioned	2020-09-11T09:50:59Z
dc.date.available	2020-09-11T09:50:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51081
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18779
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ανάλυση συμπλέγματος	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Μη εποπτευόμενη μάθηση	el
dc.subject	Στατιστική ανάλυση	el
dc.subject	Τεχνικές ομαδοποίησης	el
dc.subject	Cluster analysis	en
dc.subject	Machine learning	en
dc.subject	Unsupervised learning	en
dc.subject	Statistical analysis	en
dc.subject	Clustering	en
dc.title	Συγκριτική μελέτη αλγορίθμων ομαδοποίησης με εφαρμογή σε ιατρικά δεδομένα	el
heal.type	bachelorThesis
heal.secondaryTitle	Comparative study of clustering algorithms with application to medical data	en
heal.classification	Μαθηματικά	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-02-20
heal.abstract	Στα πλαίσια της παρούσας διπλωματικής εργασίας εξετάζονται 3 αλγόριθμοι ομαδοποίησης- χωρισμού δεδομένων σε συστάδες, καθώς επίσης και η αποτελεσματικότητα της εφαρμογής τους σε ιατρικά δεδομένα (ασθενείς με καρκίνο του μαστού). Σκοπός της εφαρμογής των αλγορίθμων είναι η επιλογή εκείνου με τα βέλτιστα αποτελέσματα, καθώς επίσης και η απάντηση στο ερώτημα για το εάν μπορούν να χρησιμοποιηθούν για την πρόβλεψη του καρκίνου του μαστού. Αρχικά γίνεται αναφορά σε 3 διαφορετικούς αλγόριθμους (K-means, Single Link, DBSCAN) και σε βασικές έννοιες όπως ο τρόπος λειτουργίας τους, η ορθότητα, οι διάφορες τεχνικές παραμετροποίησης, καθώς και η πολυπλοκότητα του χρόνου και του χώρου. Επιπλέον γίνεται αναφορά στα πλεονεκτήματα αλλά και τα μειονεκτήματα του καθενός έναντι των άλλων. Προκειμένου να μπορούν να συγκριθούν οι παραπάνω μέθοδοι, γίνεται αναφορά σε δείκτες αξιολόγησης, η εφαρμογή των οποίων πραγματοποιήθηκε με τη χρήση του λογισμικού πακέτου R. Τέλος, ακολουθεί γραφική παρουσίαση δυσδιάστατων και πολυδιάστατων δεδομένων καθώς και εφαρμογή των αλγορίθμων με τη βοήθεια του λογισμικού πακέτου R. Πρέπει να σημειωθεί ότι η διαδικασία βελτίωσης της διακριτικής ικανότητας των αλγορίθμων επιτυγχάνεται τόσο με τη βοήθεια των προαναφερθέντων τεχνικών, όσο και με δοκιμές και συνεχείς εκτελέσεις του αντίστοιχου λογισμικού, αφού στόχος της παρούσας διπλωματικής εργασίας είναι η σύγκριση των αποτελεσμάτων κάτω από συνθήκες βέλτιστης παραμετροποίησης.	el
heal.abstract	In the context of this thesis 3 clustering algorithms are examined as well as their effectiveness with the use of medical data (patients with breast cancer). Purpose of applying these algorithms is the choice of the one with the best results as well as the answer to the question of whether they can be used to predict breast cancer. Initially reference is made to the 3 different algorithms (K - means, Single Link, DBSCAN) and to basic concepts such as how they function, correctness, various parameterization techniques as well as time and space complexity. In addition, the advantages and disadvantages of each one over the others are mentioned. In order to compare the above methods, reference is made to evaluation indicators implemented using the R package software. Finally a graphical presentation of 2d, multivariate data and application of the algorithms is followed with the help of R package software. It should be noted that the process of improving the performance of the algorithms is achieved both with the help of the aforementioned techniques as well as with the testing and continuous execution of the respective software, since the aim of this thesis was to compare the results under optimal parameterization conditions.	en
heal.advisorName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Καρώνη, Χρυσηίς	el
heal.committeeMemberName	Ψαρράκος, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	95 σ.
heal.fullTextAvailability	false