Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Review on Different Image Encryption Approaches Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Two Stages Feature Selection Based on Filter Ranking Methods and SVMRFE on Medical Applications

verfasst von : Hayet Djellali, Nacira Ghoualmi Zine, Nabiha Azizi

Erschienen in: Modelling and Implementation of Complex Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper investigates feature selection stage applied to medical classification of disease on datasets from UCI repository. Feature selection methods based on minimum Redundancy Maximum Relevance (mRMR) filter and Ficher score were applied, each of them select a subset of features then the selection criteria is used to get the initial features subset. The second stage Support vector machine recursive feature elimination is performed to have the final subset. Experiments show that the proposed method provide an accuracy of 99.89 % on hepatitis dataset and 97.81 % on Wisconcin Breast cancer dataset and outperforms MRMR and Support vector machine recursive feature elimination SVM-RFE methods, as well as other popular methods on UCI database, and select features that are relevant in discriminating cancer class (malign/benign).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

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

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

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




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

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




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Mobile User Location Tracking with Unreliable Data
Nächstes Kapitel A Formal Approach for Maintainability and Availability Assessment Using Probabilistic Model Checking
Literatur
1.
Saeys, Y., Inza, I., Larranaga, P.: A review of feature selection technique in bioinformatics. J. Bioinform. Oxford university press, 1–10 (2005)
2.
Ding, C., Peng, H., Long, F., Ding, C.: Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy. IEEE Trans. Pattern Anal. Mach. Intell. 27(8) (2005)
3.
Yoon, S., Kim, S.: Mutual information-based SVM-RFE for diagnostic classification of digitized mammograms. J. Pattern Recognit. Lett. 30, 1489–1495 (2009)CrossRef
4.
Mitra, S., Shankar, B.U.: Medical image analysis for cancer management in natural computing framework. Inf. Sci. 306, 111–131 (2015)CrossRef
5.
Yang, F., Mao, K.Z.: Robust feature for microaccray data based on multicriterion fusion. IEEE/ACM trans. Comput. Biol. Bioinform. 8(4), 1080–1092 (2011).
6.
Akay, M.F.: Support vector machines combined with feature selection for breast cancer diagnosis. J. Expert Syst. Appl. 36, 3240–3247 (2009)CrossRef
7.
Yang, P., Bing B., Zhou, J.Y., Yang, A., Zomaya. Y.: Stability of feature selection algorithms and ensemble feature selection methods in bioinformatics, pp. 1–23 (2006).
8.
Zhang, J., Hu, X., Li, P., He, W., Zhang H.Y.: A hybrid feature selection approach by correlation based filters and svm-rfe. In: International Conference on Pattern Recognition, 3684–3689 (2014).
9.
Guyon, J., Weston, S., Barnhill, S., Vapnik, V.: Gene selection for cancer classification using support vector machines. Mach. Learn. 46(1–3), 389–422 (2002)CrossRefMATH
10.
Bolon Canedo, V., Sanchez Maono, N., Betanzos, A.: A review of feature selection methods on synthetic data. J. knowl. Inform. Syst. 34, 483–519 (2013).
11.
Jirapech Umpai T., Aitken. S.: Feature selection and classification for microarray data analysis: Evolutionary methods for identifying predictive genes. BMC Bioinform. 6(1), 148 (2005)
12.
Li, L., Weinberg, C.R., Darden, T.A., Pedersen, L.G.: Gene selection for sample classification based on gene expression data: study of sensitivity to choice of parameters of the ga/knn method. Bioinform. 17(12), 1131–1142 (2001)CrossRef
13.
Umbach, D.M., Li L., Terry, P., Taylor. J. A.: Application of the ga/knn method to seldi proteomics data. Bioinform. 20(10) (2004)
14.
Yan, K., Zhang, D.: Feature selection and analysis on correlated gas sensor data with recursive feature elimination. J. Sens. actuators B chem. 353–363 (2015).
15.
Piyushkumar A.M., Rajapakse, J.C.: SVM-RFE with mrmr filter for gene selection, IEEE Trans. Nanobioscience 9(1) (2010)
16.
Heath, M., Bowyer, K., Kopans, D., Moore, R., Kegelmeyer, W.: The digital database for screening mammography. In: Yaffe, M. (ed.), Proceeding 5th IWDM. Medical Physics Publishing, pp. 212–218 (2001).
17.
Maka, M.W., Kung, S.Y.: Fusion of feature selection methods for pairwise scoring SVM. Neurocomputing 71, 3104–3113 (2008)CrossRef
18.
Kai-Bo D., Rajapakse, H., Wang H., Azuaje F.: Multiple SVM-RFE for gene selection in cancer classification with expression data. IEEE Trans. Nanobioscience 4(3), 228–234 (2005).
19.
Tang, Y.C., Zhang Y.Q., Huang, Z.: Development of two stage SVMRFE Gene selection strategy for microarray expression data analysis. IEEE ACM. Trans. Comput. Biol. Bioinform. 4(3), 365–381 (2007).
20.
Zhang, Y., Ding, C., Li, T.: Gene selection algorithm by combining relief and mRMR. BMC Genom. 9(2), S27 (2008)CrossRef
21.
Peng, Y., Wu, Z., Jiang, J.: A novel feature selection approach for biomedical data classification. J. Biomed. Inform. 43, 15–23 (2010)CrossRef
22.
Vapnick, V.: Statistical learning theory, Wiley (1998)
23.
Metadaten
Titel
Two Stages Feature Selection Based on Filter Ranking Methods and SVMRFE on Medical Applications
verfasst von
Hayet Djellali
Nacira Ghoualmi Zine
Nabiha Azizi
Copyright-Jahr
2016
Buch
Modelling and Implementation of Complex Systems

Print ISBN: 978-3-319-33409-7

Electronic ISBN: 978-3-319-33410-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-33410-3_20

Premium Partner

    Bildnachweise