Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

09.11.2017 | Original Article | Ausgabe 3/2019

International Journal of Machine Learning and Cybernetics 3/2019

Feature extraction by PCA and diagnosis of breast tumors using SVM with DE-based parameter tuning

Zeitschrift:
International Journal of Machine Learning and Cybernetics > Ausgabe 3/2019
Autoren:
Luanyi Yang, Zeshui Xu

Abstract

Breast cancer is the second most common cause of death among the women worldwide, whereas the early detection may well lead to a longer survival or even full recovery. With the development of clinical technologies, massive tumor feature data become available to be collected and meanwhile many machine learning techniques have been introduced to support doctors in diagnostic decision-making process. In this paper, we develop a support vector machine (SVM) based diagnosing system which mainly consists of three stages. For the first stage, principal component analysis is implemented to eliminate the redundant information and extract representive patterns out of the original data. This procedure reduces the feature space dimension which cuts down the computational complexity significantly. In the second stage, we search the optimal parameter values for SVM using the differential evolution algorithm. At last, a classifier is trained to differentiate the incoming tumors. In order to objectively and comprehensively evaluate the classifier’s performance, a series of indices are considered simultaneously such as classification accuracy, sensitivity, specificity and area under receiver operating characteristic curves. In comparison with K-nearest neighbor, random forest, bagging, naive bayes, decision tree and other classificaiton approaches, the proposed method presents a superior performance when tested on the Wisconsin Diagnostic Breast Cancer (WDBC) data set from the University of California with fivefold cross validation.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 3/2019

International Journal of Machine Learning and Cybernetics 3/2019 Zur Ausgabe