Пролог
Эта страница представляет собой резюме моего последнего студенческого проекта. Я приношу извинения за то, что не могу включить исходный код на эту страницу, потому что он больше не доступен в библиотеке Индонезийского университета или в библиотеке факультета математики и естественных наук.
Чтобы выяснить, есть ли у пациента глиома головного мозга или инфекция головного мозга, необходимо обследование в рентгенологическом отделении. Методы обследования могут использовать магнитно-резонансную томографию (МРТ) и магнитно-резонансную спектроскопию (МРС).
Магнитно-резонансная спектроскопия является дополнительным методом МРТ-исследования, который включен в функциональную визуализацию, поскольку дает информацию о биохимических характеристиках тканей.
Глиому головного мозга или инфекцию головного мозга необходимо классифицировать из-за различий в действии. Если у пациента глиома головного мозга, необходима операция. Если у пациента есть инфекция головного мозга, достаточно дать препарат в зависимости от причины инфекции головного мозга.
Одним из способов повышения точности процесса классификации является использование прогнозов, состоящих из множества обучающихся. Этот метод называется методом ансамбля. Один из алгоритмов, принадлежащих ансамблевому методу, — Adaptive Boosting.
Метод AdaBoost с базовым обучающим устройством KNN (K-Nearest Neighbor) используется для классификации глиом головного мозга или инфекций головного мозга на основе данных результатов MRS. Используемые данные получены из MRS из больницы Pantai Indah Kapuk, Джакарта.
K-ближайший сосед
Алгоритм K-ближайших соседей, также известный как KNN или k-NN, представляет собой непараметрический классификатор с контролируемым обучением, который использует близость для классификации или прогнозирования группировки отдельных точек данных.
На этапе обучения этот алгоритм хранит только атрибуты данных в виде векторов и классов обучающих данных. На этапе тестирования вычисляется расстояние от тестовых данных до обучающих данных и берется ближайшее членство. Тестовые данные используются для прогнозирования самого близкого членства на основе обучающих данных.
Метод ансамбля
Метод ансамбля — это метод машинного обучения, в котором используются прогнозы, состоящие из множества учеников. Повышение является одним из методов ансамблевого метода. Одним из самых известных методов повышения является AdaBoost.
Повышение
AdaBoost, что означает Adaptive Boosting, является одним из методов повышения. AdaBoost обучает базовых учеников последовательно. В AdaBoost базовый учащийся — это метод прогнозирования, если по входным данным получается гипотеза. На этой странице AdaBoost с базовым обучающим модулем KNN используется для классификации глиом головного мозга или инфекций головного мозга.
Заключение
Основываясь на проведенных экспериментах, метод AdaBoost с базовым обучающим устройством K-ближайших соседей является лучшим методом по сравнению с K-ближайшим соседом при классификации глиом или инфекций головного мозга. Метод AdaBoost с базовым обучающим модулем K-Nearest Neighbor обеспечивает наилучшую точность 97 % на 80 % обучающих данных за счет членства K = 3. По сравнению с методом K-ближайших соседей, для 80% обучающих данных достигается точность только 94%.
Предложение
Автор понимает, что на этой странице все еще есть недостатки. Среди них — использование базового учащегося AdaBoost на этой странице только с использованием K-ближайшего соседа. Кроме того, используются данные не только о 2 типах заболеваний, но и о более чем 2 типах заболеваний.
Справочник
Рахман, Лютфир. (2014). Klasifikasi Glioma Otak atau Infeksi Otak Menggunakan K-ближайший сосед и AdaBoost. Депок: Университет Индонезии.
https://www.ibm.com/topics/knn
