مقاله ترکیب شواهد در پردازش داده های پزشکی (2004 آی تریپل ای)

1.مقدمه

2. پیشینه تئوری شاهد

3. محاسبه باورها با نزدیک ترین همسایه ها

4. محاسبه باورها با درخت تصمیم

5. ارزیابی عدم اطمینان

6. ارزیابی عملی

6.1 نتایج

7. کارهای مرتبط

8. نتیجه گیری

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.

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.