V. CONCLUSION This article presents

V. CONCLUSION
This article presents a novel semi-supervised fuzzy K- NN classification algorithm for cancer classification form microarray gene expression data. The performance of the proposed semi-supervised method is compared with its two other supervised counterparts namely, K-NN and fuzzy K- NN classifiers and two non-fuzzy, non-NN based methods namely SVM and Naive Bayes classifier. The effectiveness of the proposed technique is tested using five microarray gene expression datasets for five different types of cancers. From the experimental observation it is found that the proposed semi- supervised method produces better accuracy in comparison to its other supervised counterparts when number of labeled patterns present in the microarray gene expression data is very less. This is due to the inclusion of the unlabeled samples (along with the limited training samples) during the training/learning phase of the proposed method as opposed to the traditional supervised methods. Also the use of the fuzzy system in the proposed semi-supervised fuzzy K-NN model helps to capture the overlapping classes as normally present in microarray gene expression data. In future, the proposed method may be tested extensively on other microarray gene expression cancer datasets. En- couraging results obtained from the proposed semi-supervised method may lead us to develop semi-supervised versions of the other existing classifiers in future.

ผลลัพธ์ (ไทย) 1:

V. บทสรุป บทความนี้นำเสนอเป็นนวนิยายกึ่งมีปุย K - NN classification อัลกอริทึมสำหรับมะเร็ง classification แบบฟอร์ม microarray ยีนข้อมูลนิพจน์ เปรียบเทียบกับประสิทธิภาพของวิธีกึ่งมีการนำเสนอแบบมีผู้สอนเป็นสองคู่คือ K-NN และ classifiers K - NN เอิบ และสองไม่ชัดเจน ไม่ใช่เอ็นเอ็นตามวิธีคือ SVM และ Naive Bayes classifier มีทดสอบประสิทธิภาพของเทคนิคการนำเสนอโดยใช้ยีน five microarray นิพจน์ datasets สำหรับ five ชนิดต่าง ๆ ของโรคมะเร็ง จากการสังเกตทดลองเป็น ว่า การนำเสนอกึ่ง - แบบมีผู้สอนวิธีสร้างความถูกต้องดีกว่าเมื่อเปรียบเทียบกับของคู่มีเมื่อรูปแบบป้ายแสดงข้อมูลนิพจน์ยีน microarray มีจำนวนน้อยมาก นี่คือเนื่องจากการรวมตัวอย่างไม่ (พร้อมตัวอย่างการฝึกอบรมจำกัด) ระหว่างขั้นตอนการฝึกการเรียนรู้วิธีนำเสนอจำกัดมีวิธีการแบบดั้งเดิม นอกจากนี้ยัง ใช้ระบบ fuzzy ในเสนอกึ่งมีปุย K-NN แบบช่วยจับชั้นทับซ้อนกันเป็นปกติอยู่ในข้อมูลนิพจน์ยีน microarray ในอนาคต วิธีการนำเสนออาจถูกทดสอบอย่างกว้างขวางบนอื่น ๆ microarray ยีนนิพจน์มะเร็ง datasets น้ำ couraging ผลลัพธ์ที่ได้จากวิธีกึ่งมีการนำเสนออาจเราพัฒนารุ่นกึ่งมีแบบ classifiers ที่มีอยู่ในอนาคต

ผลลัพธ์ (ไทย) 2:

โวลต์สรุป
บทความนี้แสดงกึ่งดูแลเลือน K- ขั้นตอนวิธีไอออนบวก NN จัดประเภทสายใหม่สำหรับโรคมะเร็งจัดประเภทสายรูปแบบ microarray ข้อมูลการแสดงออกของยีนไอออนบวก ประสิทธิภาพการทำงานของวิธีกึ่งภายใต้การดูแลที่เสนอเมื่อเทียบกับสองคู่ของภายใต้การดูแลอื่น ๆ ได้แก่ K-NN และเลือน K- NN ERS จัดประเภทสองที่ไม่เลือนไม่ NN ตามวิธีการคือ SVM และไร้เดียงสา Bayes จัดประเภทเอ้อไฟ ประสิทธิผลของเทคนิคที่นำเสนอมีการทดสอบการใช้ไฟได้ microarray ชุดข้อมูลการแสดงออกของยีนสำหรับไฟได้แตกต่างกันของการเกิดโรคมะเร็ง จากการสังเกตการทดลองพบว่าวิธีการที่นำเสนอกึ่งภายใต้การดูแลการผลิตถูกต้องดีกว่าเมื่อเทียบกับคู่ภายใต้การดูแลของอื่น ๆ เมื่อจำนวนของรูปแบบที่มีข้อความอยู่ในข้อมูลการแสดงออกของยีน microarray มากน้อย นี้เกิดจากการรวมตัวของกลุ่มตัวอย่างที่ไม่มีป้ายกำกับ (พร้อมกับตัวอย่างการฝึกอบรมจำนวน จำกัด ) ในระหว่างการฝึกอบรม / การเรียนรู้ขั้นตอนของวิธีการที่นำเสนอเมื่อเทียบกับวิธีการแบบดั้งเดิมภายใต้การดูแล นอกจากนี้ยังมีการใช้งานของระบบเลือนในการเสนอกึ่งดูแลเลือน K-NN รูปแบบจะช่วยให้การจับภาพที่ทับซ้อนกันเป็นชั้นเรียนตามปกติอยู่ในข้อมูลการแสดงออกของยีน microarray ในอนาคตวิธีการที่นำเสนออาจได้รับการทดสอบอย่างกว้างขวางในการแสดงออกของยีน microarray อื่น ๆ ชุดข้อมูลโรคมะเร็ง ผลการ couraging en- ที่ได้จากวิธีกึ่งภายใต้การดูแลที่นำเสนออาจนำเราไปสู่การพัฒนารุ่นกึ่งภายใต้การดูแลของที่มีอยู่อื่น ๆ ERS จัดประเภทสายในอนาคต

ผลลัพธ์ (ไทย) 3:

V สรุป
บทความนี้นำเสนอกึ่งนวนิยาย ควบคุมฟัซซี่ K - NN classi ไอออนบวกจึงขั้นตอนวิธีสำหรับมะเร็ง classi จึงแลกเปลี่ยนข้อมูลการแสดงออกของยีนแบบ microarray . ประสิทธิภาพของการนำเสนอแบบกึ่งเทียบกับวิธีอื่น ๆ ภายใต้การดูแลของ สองคู่ คือ k-nn และปุย K - NN classi จึง ERS และสอง ไม่เลือน ไม่ไม่ใช้วิธี คือ SVM และไร้เดียงสา Bayes classi จึงเอ้อประสิทธิผลของเทคนิคที่นำเสนอจะถูกทดสอบโดยใช้ microarray ข้อมูลการแสดงออกของยีนสำหรับจึงได้จึงได้แตกต่างกันประเภทของโรคมะเร็ง จากการสังเกต ทดลอง พบว่า การนำเสนอวิธีการผลิตที่ถูกต้องกว่าครึ่งในการดูแลของ บริษัท อื่น ๆและเมื่อจำนวนป้ายรูปแบบปัจจุบันใน microarray ข้อมูลการแสดงออกของยีนจะน้อยมากนี้เนื่องจากการรวมของตัวอย่างที่ใกล้เคียงกัน ( พร้อมกับตัวอย่างการฝึกอบรมจำกัด ) ในระหว่างการฝึกอบรม / การเรียนรู้ขั้นตอนของวิธีที่เสนอเมื่อเทียบกับแบบดั้งเดิม มี วิธี ยังใช้ระบบฟัซซีในการเสนอแบบกึ่ง k-nn ฟัซซีช่วยจับซ้อนชั้นเรียนเป็นปกติในปัจจุบันใน microarray ข้อมูลการแสดงออกของยีน . ในอนาคตวิธีที่เสนอจะถูกทดสอบอย่างกว้างขวางในการแสดงออกของยีน microarray ข้อมูลโรคมะเร็ง ใน couraging ผลลัพธ์ที่ได้จากการนำเสนอแบบกึ่งวิธีการอาจนำเราพัฒนากึ่งควบคุม ของรุ่นอื่นๆ ที่มีอยู่ จึง classi ERS ในอนาคต