AbstractThis study investigates the

Abstract
This study investigates the effect of class imbalance in training data when developing neural network classifiers for computer-aided medical
diagnosis. The investigation is performed in the presence of other characteristics that are typical among medical data, namely small training sample
size, large number of features, and correlations between features. Two methods of neural network training are explored: classical backpropagation
(BP) and particle swarm optimization (PSO) with clinically relevant training criteria. An experimental study is performed using simulated data
and the conclusions are further validated on real clinical data for breast cancer diagnosis. The results show that classifier performance deteriorates
with even modest class imbalance in the training data. Further, it is shown that BP is generally preferable over PSO for imbalanced training data
especially with small data sample and large number of features. Finally, it is shown that there is no clear preference between oversampling and no
compensation approach and some guidance is provided regarding a proper selection.

c 2007 Elsevier Ltd. All rights reserved.

ผลลัพธ์ (ไทย) 1:

นามธรรม
การศึกษานี้ศึกษาผลกระทบของความไม่สมดุลของชั้นเรียนในการฝึกอบรมข้อมูลเมื่อมีการพัฒนาจําแนกโครงข่ายประสาทเทียมสำหรับการใช้คอมพิวเตอร์ช่วยการวินิจฉัยทางการแพทย์
การสอบสวนจะดำเนินการในการปรากฏตัวของลักษณะอื่น ๆ ที่เป็นปกติระหว่างข้อมูลทางการแพทย์การฝึกอบรมกลุ่มตัวอย่างขนาดเล็กคือขนาด
จำนวนมากของคุณสมบัติและความสัมพันธ์ระหว่างคุณลักษณะสองวิธีของการฝึกอบรมเครือข่ายประสาทการสำรวจ: backpropagation คลาสสิก
(bp) และอนุภาคฝูง Optimization (PSO) ที่เกี่ยวข้องกับการฝึกอบรมทางการแพทย์เกณฑ์ การศึกษาการทดลองจะดำเนินการโดยใช้ข้อมูลจำลอง
และข้อสรุปที่มีการตรวจสอบเพิ่มเติมเกี่ยวกับข้อมูลทางคลินิกที่แท้จริงสำหรับการวินิจฉัยโรคมะเร็งเต้านม ผลลัพธ์ที่ได้แสดงให้เห็นว่าผลการดำเนินงานลักษณนามเสื่อม
กับความไม่สมดุลของชั้นเจียมเนื้อเจียมตัวแม้จะอยู่ในข้อมูลการฝึกอบรม ต่อไปก็คือการแสดงให้เห็นว่า bp โดยทั่วไปดีกว่า PSO สำหรับข้อมูลการฝึกอบรมการขาดดุล
โดยเฉพาะอย่างยิ่งกับข้อมูลตัวอย่างขนาดเล็กและจำนวนมากของคุณสมบัติ ในที่สุดมันก็แสดงให้เห็นว่าไม่มีการตั้งค่าที่ชัดเจนระหว่าง oversampling และไม่มีวิธีการชดเชย
และคำแนะนำบางอย่างเกี่ยวกับการให้การเลือกที่เหมาะสม.

ค 2007 เอลส์ จำกัดสงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 2:

นามธรรม
ศึกษาตรวจสอบผลของความไม่สมดุลของระดับชั้นในข้อมูลการฝึกอบรมเมื่อมีการพัฒนาโครงข่ายประสาทคำนามภาษาการใช้คอมพิวเตอร์ช่วยการแพทย์
วินิจฉัย การสอบสวนจะดำเนินการในต่อหน้าของลักษณะอื่น ๆ ที่มีทั่วไปในข้อมูลทางการแพทย์ ตัวอย่างอบรมขนาดเล็กได้แก่
ขนาด จำนวน คุณสมบัติและความสัมพันธ์ระหว่างคุณลักษณะ สองวิธีของการฝึกอบรมเครือข่ายประสาทจะอุดม: backpropagation
(BP) คลาสสิกและอนุภาคฝูงเพิ่มประสิทธิภาพ (PSO) ด้วยเงื่อนไขการฝึกอบรมที่เกี่ยวข้องทางคลินิก ดำเนินการศึกษาทดลองใช้ข้อมูลจำลอง
และบทสรุปเพิ่มเติมได้ผ่านการตรวจสอบข้อมูลจริงทางคลินิกสำหรับการวินิจฉัยโรคมะเร็งเต้านม ผลลัพธ์แสดงประสิทธิภาพ classifier deteriorates
มีคลาสแม้เจียมเนื้อเจียมตัวที่ความไม่สมดุลในข้อมูลการฝึกอบรม เพิ่มเติม มันแสดงให้เห็นว่า BP คือโดยทั่วไปกว่ากว่า PSO สำหรับข้อมูลการฝึกอบรม imbalanced
โดยเฉพาะอย่างยิ่งกับตัวอย่างข้อมูลขนาดเล็กและขนาดใหญ่จำนวนคุณลักษณะ ในที่สุด มันจะแสดงว่า มีความไม่ชัดเจนระหว่าง oversampling ไม่
ให้ค่าตอบแทนวิธีและคำแนะนำบางอย่างเกี่ยวกับความเหมาะสมเลือก

c 2007 Elsevier จำกัด สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 3:

นามธรรม
ซึ่งจะช่วยการศึกษานี้ทำการพิจารณาข้อสงสัยทั้งหมดของผลของความไม่สมดุลในข้อมูลการฝึกอบรมเมื่อการพัฒนาเครือข่าย classifiers เกินสำหรับคอมพิวเตอร์ - ใช้ทางการแพทย์
การวินิจฉัย การตรวจสอบจะดำเนินการในการมีอยู่ของคุณลักษณะอื่นๆที่มีลักษณะตามแบบอย่างของข้อมูลทางการแพทย์คือขนาดเล็กการฝึกอบรมตัวอย่าง
ซึ่งจะช่วยขนาดใหญ่จำนวนมากและคุณสมบัติของสัมพันธ์เชิงระหว่างโดดเด่นไปด้วยทั้งสองวิธีของการฝึกอบรมเครือข่ายเกินจะสำรวจ backpropagation คลาสสิค
( BP )และฝุ่นละอองกลุ่มการปรับแต่ง( pso )พร้อมด้วยหลักเกณฑ์การฝึกอบรมที่เกี่ยวข้องได้ด้วยผลทางการแพทย์ การศึกษาทดลองที่จะมีการดำเนินการโดยใช้ข้อมูลการทดสอบ Simulated Acoustical Feedback Exposure
และข้อสรุปที่ได้รับการตรวจสอบบนข้อมูลทางการแพทย์อย่างแท้จริงสำหรับการวินิจฉัยมะเร็งเต้านมเพิ่มเติม ผลที่ได้แสดงให้เห็นว่าการทำงานลักษณนามบั่นทอน
ตามมาตรฐานพร้อมด้วยแม้จะขาดความสมดุลของ Class แบบเรียบง่ายในข้อมูลการฝึกอบรมที่. ต่อไปก็คือแสดงให้เห็นว่า BP โดยทั่วไปแล้วจะดีกว่ามากกว่า pso สำหรับข้อมูลการฝึกอบรม
ซึ่งจะช่วยเปรียบเทียบโดยเฉพาะพร้อมด้วยหมายเลขขนาดใหญ่และข้อมูลตัวอย่างขนาดเล็กของโดดเด่นไปด้วย มันแสดงให้เห็นว่าไม่มีการกำหนดชัดเจนระหว่าง oversampling และไม่มีวิธีการ
การจ่ายค่าชดเชยและคำแนะนำบางอย่างจะจัดให้บริการเกี่ยวกับการเลือกที่เหมาะสม. elsevier จำกัด

C 2007สงวนลิขสิทธิ์