AbstractBACKGROUND AND OBJECTIVES:R

Abstract
BACKGROUND AND OBJECTIVES:

Rule-based classification is a typical data mining task that is being used in several medical diagnosis and decision support systems. The rules stored in the rule base have an impact on classification efficiency. Rule sets that are extracted with data mining tools and techniques are optimized using heuristic or meta-heuristic approaches in order to improve the quality of the rule base. In this work, a meta-heuristic approach called Wind-driven Swarm Optimization (WSO) is used. The uniqueness of this work lies in the biological inspiration that underlies the algorithm.
METHODS:

WSO uses Jval, a new metric, to evaluate the efficiency of a rule-based classifier. Rules are extracted from decision trees. WSO is used to obtain different permutations and combinations of rules whereby the optimal ruleset that satisfies the requirement of the developer is used for predicting the test data. The performance of various extensions of decision trees, namely, RIPPER, PART, FURIA and Decision Tables are analyzed. The efficiency of WSO is also compared with the traditional Particle Swarm Optimization.
RESULTS:

Experiments were carried out with six benchmark medical datasets. The traditional C4.5 algorithm yields 62.89% accuracy with 43 rules for liver disorders dataset where as WSO yields 64.60% with 19 rules. For Heart disease dataset, C4.5 is 68.64% accurate with 98 rules where as WSO is 77.8% accurate with 34 rules. The normalized standard deviation for accuracy of PSO and WSO are 0.5921 and 0.5846 respectively.
CONCLUSION:

WSO provides accurate and concise rulesets. PSO yields results similar to that of WSO but the novelty of WSO lies in its biological motivation and it is customization for rule base optimization. The trade-off between the prediction accuracy and the size of the rule base is optimized during the design and development of rule-based clinical decision support system. The efficiency of a decision support system relies on the content of the rule base and classification accuracy.

Copyright © 2015 Elsevier Ireland Ltd. All rights reserved.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อพื้นหลังและวัตถุประสงค์:ตามกฎการจัดประเภทเป็นงานที่ทำเหมืองข้อมูลทั่วไปที่ถูกใช้ในหลายทางการแพทย์การวินิจฉัยและตัดสินใจสนับสนุนระบบ กฎที่เก็บอยู่ในฐานกฎมีผลต่อประสิทธิภาพการจัดประเภท ชุดของกฎที่แยก ด้วยเครื่องมือการทำเหมืองข้อมูลและเทคนิคนี้เหมาะใช้วิธีแล้ว หรือ meta-แล้วเพื่อปรับปรุงคุณภาพของฐานกฎ ในงานนี้ เป็นใช้วิธี meta-แล้วที่เรียกว่าลมขับเคลื่อนฝูงเพิ่มประสิทธิภาพ (WSO) เอกลักษณ์ของงานนี้อยู่ในชีวภาพแรงบันดาลใจที่ underlies อัลกอริทึมการวิธีการ:WSO ใช้ Jval วัดใหม่ เพื่อประเมินประสิทธิภาพของ classifier ที่ตามกฎ กฎที่สกัดจากต้นไม้ตัดสินใจ ใช้ WSO รับสับแตกต่างกันและชุดของกฎโดยใช้ ruleset เหมาะสมที่สุดที่ตรงตามความต้องการของนักพัฒนาสำหรับการคาดการณ์ข้อมูลทดสอบ มีวิเคราะห์ประสิทธิภาพของส่วนขยายต่าง ๆ ของต้นไม้ตัดสินใจ ได้แก่ RIPPER, PART, FURIA และ ตารางการตัดสินใจ ยังมีการเปรียบเทียบประสิทธิภาพของ WSO กับอนุภาคแบบฝูงปรับผลลัพธ์:ทดลองได้ดำเนิน ด้วยเกณฑ์มาตรฐาน 6 datasets แพทย์ อัลกอริทึม C4.5 ดั้งเดิมก่อให้เกิดความแม่นยำ 62.89% กฎ 43 สำหรับโรคตับชุดข้อมูลเป็น WSO 64.60% 19 กฎทำให้ สำหรับชุดข้อมูลโรคหัวใจ C4.5 จะแม่นยำกับ 98% 68.64 กฎเป็น WSO 77.8% ถูกต้องกฎ 34 ส่วนเบี่ยงเบนมาตรฐานมาตรฐานความถูกต้องของ PSO และ WSO มี 0.5921 และ 0.5846 ตามลำดับสรุป:WSO ให้ถูกต้อง และกระชับ rulesets PSO ก่อให้เกิดผลลัพธ์ WSO แต่นวัตกรรมของ WSO อยู่ในแรงจูงใจของชีวภาพ และเป็นกำหนดเองสำหรับการปรับฐานของกฎ Trade-off ระหว่างความถูกต้องของการคาดเดาและขนาดของฐานกฎสุดในระหว่างการออกแบบและพัฒนาระบบสนับสนุนการตัดสินใจทางคลินิกตามกฎ ประสิทธิภาพของระบบสนับสนุนการตัดสินใจอาศัยเนื้อหาของกฎพื้นฐานและจัดประเภทความถูกต้องสงวนลิขสิทธิ์ © 2015 Elsevier ไอร์แลนด์ จำกัด สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
เป็นมาและวัตถุประสงค์การจัดหมวดหมู่ตามกฎเป็นงานที่ทำเหมืองข้อมูลทั่วไปที่จะถูกนำมาใช้ในการวินิจฉัยทางการแพทย์หลายคนและระบบสนับสนุนการตัดสินใจ กฎระเบียบที่ถูกเก็บไว้ในฐานกฎมีผลกระทบต่อประสิทธิภาพการจัดหมวดหมู่ ชุดของกฎที่มีการสกัดด้วยเครื่องมือการทำเหมืองข้อมูลและเทคนิคที่เหมาะสมโดยใช้วิธีการแก้ปัญหาหรือเมตาแก้ปัญหาเพื่อปรับปรุงคุณภาพของฐานการปกครอง ในงานนี้มีวิธีการแก้ปัญหาเมตาที่เรียกว่าการเพิ่มประสิทธิภาพ Swarm ลมขับเคลื่อน (WSO) ถูกนำมาใช้ เอกลักษณ์ของงานนี้อยู่ในแรงบันดาลใจทางชีวภาพที่รองรับขั้นตอนวิธี. วิธีการ: WSO ใช้ Jval, ตัวชี้วัดใหม่ในการประเมินประสิทธิภาพของการจําแนกตามกฎ กฎที่สกัดจากต้นไม้ตัดสินใจ WSO ถูกนำมาใช้จะได้รับเพิ่มเงินที่แตกต่างกันและการรวมกันของกฎโดย ruleset ที่ดีที่สุดที่ตอบสนองความต้องการของนักพัฒนาที่ใช้สำหรับการพยากรณ์ข้อมูลการทดสอบ ประสิทธิภาพการทำงานของส่วนขยายต่างๆของต้นไม้การตัดสินใจคือ RIPPER, PART, Furia และตารางการตัดสินใจมีการวิเคราะห์ ประสิทธิภาพของ WSO ยังเป็นเมื่อเทียบกับแบบดั้งเดิมอนุภาค Swarm Optimization. ผลการทดลองที่มีหกชุดข้อมูลทางการแพทย์มาตรฐาน อัลกอริทึม C4.5 ดั้งเดิมถัวเฉลี่ยความถูกต้อง 62.89% กับ 43 กฎระเบียบสำหรับชุดข้อมูลความผิดปกติของตับที่เป็นอัตราผลตอบแทน 64.60% WSO กับ 19 กฎ สำหรับชุดข้อมูลโรคหัวใจ C4.5 เป็น 68.64% ที่ถูกต้องกับ 98 กฎระเบียบที่เป็น WSO เป็น 77.8% ที่ถูกต้องกับกฎ 34 ส่วนเบี่ยงเบนมาตรฐานปกติความถูกต้องของ PSO และ WSO เป็น 0.5921 และ 0.5846 ตามลำดับ. สรุป: WSO rulesets ให้ถูกต้องและรัดกุม PSO ให้ผลลัพธ์ที่คล้ายกับที่ของ WSO แต่ความแปลกใหม่ของ WSO อยู่ในแรงจูงใจทางชีวภาพและมันคือการปรับแต่งสำหรับการเพิ่มประสิทธิภาพฐานกฎ การออกระหว่างความถูกต้องของการคาดการณ์และขนาดของฐานการปกครองมีการเพิ่มประสิทธิภาพในระหว่างการออกแบบและการพัฒนาของการตัดสินใจทางคลินิกตามกฎระบบสนับสนุน ประสิทธิภาพของระบบสนับสนุนการตัดสินใจขึ้นอยู่กับเนื้อหาของฐานการปกครองและความถูกต้องจำแนก. ลิขสิทธิ์© 2015 เอลส์ไอร์แลนด์ จำกัด สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

มีพื้นหลังนามธรรม
:

ใช้กฎการจัดประเภททั่วไปเป็นการทำเหมืองข้อมูลงานที่ถูกใช้ในการวินิจฉัยทางการแพทย์หลายและสนับสนุนการตัดสินใจระบบ กฎไว้ในกฎพื้นฐานที่มีผลกระทบต่อประสิทธิภาพในการจำแนกประเภทชุดกฎที่สกัดด้วยการทำเหมืองข้อมูลเครื่องมือและเทคนิคที่ดีที่สุดโดยใช้ฮิวริสติก หรือเมตาวิธีฮิวริสติกเพื่อปรับปรุงคุณภาพของฐานกฎ ในงานนี้ เป็นเมตาฮิวริสติกเรียกลม Swarm Optimization ( wso ) ใช้ เอกลักษณ์ของงานนี้อยู่ในทางชีวภาพแรงบันดาลใจที่แผ่นอยู่ขั้นตอนวิธี .

wso jval วิธีการ : ใช้ ,ตัวชี้วัดใหม่ เพื่อประเมินประสิทธิภาพของกฎลักษณนาม กฎสกัดจากต้นไม้เพื่อการตัดสินใจ wso ไปใช้หาลำดับที่แตกต่างกันและชุดของกฎที่เหมาะสมกฏที่ตอบสนองความต้องการของนักพัฒนาที่ใช้สำหรับทำนายข้อมูลทดสอบ ประสิทธิภาพของนามสกุลต่าง ๆ ของต้นไม้ การตัดสินใจคือ Ripper , ส่วนฟูเรียและตารางการตัดสินใจวิเคราะห์ ประสิทธิภาพของ wso ยังเทียบกับแบบฝูงอนุภาค optimization

ผลการทดลองกับหกมาตรฐานทางการแพทย์ชุดข้อมูล โปรแกรม C4.5 ขั้นตอนวิธีแบบดั้งเดิมให้ผลความถูกต้อง X% กับ 43 กฎสำหรับความผิดปกติของตับชุดข้อมูลที่เป็น wso ผลผลิตแต่ละมี 19 ข้อ สำหรับชุดข้อมูลโรคหัวใจโปรแกรม C4.5 เป็น 68ถูกต้อง 64 กับ 98 กฎที่ wso เป็น 77.8% ถูกต้องออกกฎ ค่าส่วนเบี่ยงเบนมาตรฐานและความถูกต้องของระบบ wso และเป็น 0.5921 0.5846 ตามลำดับ สรุป :


wso ให้ถูกต้องและรัดกุม rulesets . ผลผลิตผลลัพธ์ที่คล้ายกับที่ของออนไลน์ wso แต่ความแปลกใหม่ของ wso อยู่ในแรงจูงใจของชีวภาพและมีการปรับแต่งสำหรับฐานกฎการเพิ่มประสิทธิภาพการแลกเปลี่ยนระหว่างการทำนายถูกต้องและขนาดของฐานกฎที่เหมาะในการออกแบบและพัฒนาระบบสนับสนุนการตัดสินใจด้วยกฎทางคลินิก . ประสิทธิภาพของระบบสนับสนุนการตัดสินใจ ขึ้นอยู่กับเนื้อหาของกฎพื้นฐานและความแม่นยำในการจำแนก

ลิขสิทธิ์© 2015 นอกจากนี้ ไอร์แลนด์ จำกัด สิทธิสงวน