Συγκριτική μελέτη μεθόδων κατηγοριοποίησης σε ιατρικά δεδομένα

DSpace/Manakin Repository

Show simple item record

dc.contributor.advisor Ματσόπουλος, Γεώργιος el
dc.contributor.author Χαντζή, Χρυσούλα Χ. el
dc.contributor.author Chantzi, Chrysoula Ch. en
dc.date.accessioned 2011-12-19T10:58:09Z
dc.date.available 2011-12-19T10:58:09Z
dc.date.copyright 2011-11-28 -
dc.date.issued 2011-12-19
dc.date.submitted 2011-11-28 -
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/5672
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.10404
dc.description 128 σ. el
dc.description.abstract Ο σκοπός της παρούσας εργασίας είναι η μελέτη και η αξιολόγηση της εφαρμογής διαφόρων μεθόδων κατηγοριοποίησης σε ιατρικά δεδομένα προκειμένου να εξεταστεί κατά πόσο είναι δυνατόν δοθέντος ενός συνόλου δεδομένων να γίνει ασφαλής διάγνωση κάποιας ασθένειας με αυτόματο τρόπο. Για το σκοπό αυτό αντλήθηκαν από την βάση δεδομένων UCI δεδομένα από διάφορες διαγνωστικές ιατρικές εξετάσεις τα οποία φέρουν τον χαρακτηρισμό του ατόμου ως υγιές ή ασθενές, ο οποίος χρησιμοποιήθηκε για την αξιολόγηση των διαφόρων μεθόδων που χρησιμοποιήθηκαν. Συγκεκριμένα, χρησιμοποιήθηκαν οι αλγόριθμοι επιβλεπόμενης αλλά και μη επιβλεπόμενης μάθησης. Στην κατηγορία της επιβλεπόμενης μάθησης χρησιμοποιήθηκαν τα Τεχνητά Νευρωνικά Δίκτυα (ΑΝΝ), η Μηχανή Διανυσμάτων Υποστήριξης (SVM) και ο αλγόριθμος k Κοντινότερων Γειτόνων (kNN) ενώ στην κατηγορία της μη επιβλεπόμενης μάθησης χρησιμοποιήθηκαν οι Χάρτες Αυτο-Οργάνωσης (SOM) και ο Ασαφής c-Μέσος (FCM). Επιπλέον για την βελτίωση της απόδοσης των παραπάνω μεθόδων χρησιμοποιήθηκε και η μέθοδος επιλογής χαρακτηριστικών Σειριακής Εμπρόσθιας Μεταβλητής Επιλογής (SFFS) προκειμένου να αφαιρεθούν πλεονάζοντα χαρακτηριστικά των δεδομένων. Η αξιολόγηση των αποτελεσμάτων έγινε με τη χρήση των στατιστικών μέτρων ακρίβεια (accuracy), ευαισθησία (sensitivity) και προσδιοριστικότητα (specificity) και της χαρακτηριστικής καμπύλης λειτουργίας (ROC). el
dc.description.abstract The scope of this thesis was the analysis and the evaluation of classification methods when applied on medical data in order to determine whether it is possible to diagnose a disease using machine learning. Therefore, a collection of data sets of diagnostic examinations was chosen from the UCI repository. The data sets contain the labels of the instances which are used to evaluate the performance the classifiers. The assessed techniques were both supervised learning and unsupervised learning algorithms. As far as the supervised case is concerned, the employed methods were Artificial Neural Networks (ΑΝΝ), Support Vector Machine (SVM) and k Nearest Neighbours (kNN) while for the unsupervised case there was made use of Self Organising Maps (SOM) and Fuzzy c-Means (FCM). Furthermore, in an attempt to optimise the classifier performance the Sequential Forward Floating Selection technique was applied so as to reduce the dimensionality of the data and remove redundant features. The evaluation of the classification results was performed using the statistical measures accuracy, sensitivity and specificity while the Receiver Operating Characteristic (ROC) curve was also plotted. en
dc.description.statementofresponsibility Χρυσούλα Χ. Χαντζή el
dc.language.iso el en
dc.rights ETDFree-policy.xml en
dc.subject Κατηγοριοποίηση el
dc.subject Σειριακή εμπρόσθια μεταβλητή επιλογή el
dc.subject Τεχνητά νευρωνικά δίκτυα el
dc.subject Χάρτες αυτο-οργάνωσης el
dc.subject Μηχανή διανυσμάτων υποστήριξης el
dc.subject k Κοντινότεροι γείτονες el
dc.subject Ασαφής c-μέσος el
dc.subject Επιλογή χαρακτηριστικών el
dc.subject Classification en
dc.subject Feature selection en
dc.subject Artificial neural networks en
dc.subject Support vector machine en
dc.subject k nearest neighbours en
dc.subject Self organising maps en
dc.subject Fuzzy c-means en
dc.subject Sequential forward floating selection en
dc.title Συγκριτική μελέτη μεθόδων κατηγοριοποίησης σε ιατρικά δεδομένα el
dc.title.alternative Comparative study of classification methods on medical data en
dc.type bachelorThesis el (en)
dc.date.accepted 2011-11-28 -
dc.date.modified 2011-11-28 -
dc.contributor.advisorcommitteemember Ουζούνογλου, Νικόλαος el
dc.contributor.advisorcommitteemember Κουτσούρης, Δημήτριος el
dc.contributor.committeemember Ματσόπουλος, Γεώργιος el
dc.contributor.committeemember Ουζούνογλου, Νικόλαος el
dc.contributor.committeemember Κουτσούρης, Δημήτριος el
dc.contributor.department Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών el
dc.date.recordmanipulation.recordcreated 2011-12-19 -
dc.date.recordmanipulation.recordmodified 2011-12-19 -

Files in this item

This item appears in the following Collection(s)

Show simple item record