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:
Realization of Security System Using Facial Recognition and Arduino Keypad Door Lock System Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Variable Optimization in Cervical Cancer Data Using Particle Swarm Optimization

verfasst von : Lambodar Jena, Sushruta Mishra, Soumen Nayak, Piyush Ranjan, Manoj Kumar Mishra

Erschienen in: Advances in Electronics, Communication and Computing

Verlag: Springer Nature Singapore

Einloggen

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

search-config
loading …

Abstract

Samples of data may consist of numerous attributes and variables which are irrelevant and redundant. Some of those attributes may not be of any vital use in classification and the irrelevant attributes can decrease the efficiency. Thus, the feature reduction process can be considered as a problem in machine learning which selects less quantity of vital attributes to obtain higher accuracy rate. This process minimizes the attributes count by eliminating less relevant and noisy samples from the data set to achieve better classification accuracy. This work uses particle swarm optimization (PSO) search algorithm for feature reduction in cervical cancer data set. The experimental result shows that the irrelevant features are removed and only 17 useful features are selected, out of which 36 in the cervical cancer data set.

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 Enhancing Heart Disorders Prediction with Attribute Optimization
Nächstes Kapitel A Hybrid DTNB Model for Heart Disorders Prediction
Literatur
1.
Kennedy, & Eberhart, R. (1997). A discrete binary version of the particle swarm algorithm. In IEEE International Conference on Systems, Man and Cybernetics Simulation (Vol. 5, pp. 4104–4108).
2.
Gheyas, A., & Smith, L. S. (2010). Feature subset selection in large dimensionality domains. Pattern Recognit, 43(1), 5–13.CrossRef
3.
Unler, A., & Murat, A. (2010). A discrete particle swarm optimization method for feature selection in binary classification problems. European Journal of Operational Research, 206(3), 528–539.CrossRef
4.
Liu, Y., Wang, G., Chen, H., & Dong, H. (2011). An improved particle swarm optimization for feature selection. Journal of Bionic Engineering, 8(2), 191–200.CrossRef
5.
Mohemmed, A, Zhang, M., & Johnston, M. (2009). Particle swarm optimization based AdaBoost for face detection. In Proceeding IEEE CEC, (pp. 2494–2501).
6.
Hodashinsky, I. A., & Sarin, K. S. (2019). Feature selection for classification through population random search with memory. Autom Remote Control, 80, 324–333.MathSciNetCrossRef
7.
Chakraborty, B. (2002). Genetic algorithm with fuzzy fitness function for feature selection. Proceeding IEEE ISIE, 1, 315–319.
8.
Chakraborty (2008). Feature subset selection by particle swarm optimization with fuzzy fitness function. In Proceeding 3rd International Conference ISKE (Vol. 1, pp. 1038–1042).
Metadaten
Titel
Variable Optimization in Cervical Cancer Data Using Particle Swarm Optimization
verfasst von
Lambodar Jena
Sushruta Mishra
Soumen Nayak
Piyush Ranjan
Manoj Kumar Mishra
Copyright-Jahr
2021
Verlag
Springer Nature Singapore
Buch
Advances in Electronics, Communication and Computing

Print ISBN: 978-981-15-8751-1

Electronic ISBN: 978-981-15-8752-8

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-981-15-8752-8_15

Neuer Inhalt

    Bildnachweise