Tworzenie reguł diagnostycznych na podstawie danych

• Autorzy: Straszecka E.

Warianty tytułu

EN

Data-based creation of diagnostic rules

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono metodę tworzenia reguł diagnostycznych o rozmytych przesłankach reprezentujących objawy i nierozmytej konkluzji odpowiadającej diagnozie. Reguły tworzy się na podstawie danych uczących, lecz są one zrozumiałe dla ekspertów i mogą być przez nich weryfikowane. Zbiór reguł dla każdej z diagnoz jest ustalany odrębnie, z zastosowaniem oryginalnego algorytmu eliminacji reguł. Obliczenia dla dwóch benchmarkowych baz danych potwierdzają efektywność proponowanych metod.

EN

A method of diagnostic rule creation is presented in the paper. The rules have fuzzy premises that represent symptoms and a crisp conclusion relevant to the diagnosis. Each rule has an assigned weight that is determined as a value of the basic probability assignment defined in the Dempster-Shafer theory. Having created the rules, there is performed the diagnostic reasoning for a consulted case whose outcomes are values of the Bel belief measure (of the Dempster-Shafer theory) for all diagnostic hypotheses. The hypothesis of the maximal belief is the ultimate conclusion. Membership functions of symptoms and the basic probability assignment are found from the training data. Although the rules are created by means of data, they are understandable for human experts who can interpret and verified them. An individual set of rules is provided for each diagnosis. It results from an original elimination algorithm that is proposed in the paper. The elimination process starts from the complete set of rules and the algorithm indicates rule(s) of the lowest diagnostic significance, which are next deleted. Numerical experiments for two benchmark databases show the properties of the proposed method.

Słowa kluczowe

PL

zbiory rozmyte; teoria Dempstera-Shafera; reguły diagnostyczne

EN

fuzzy sets; Dempster-Shafer theory; diagnostic rules

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2014
• Tom: R. 60, nr 4
• Strony: 219--222
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Straszecka E.

• Instytut Elektroniki, Wydział Automatyki, Elektroniki i Informatyki, Politechnika Śląska, ul. Akademicka 16, 44-100 Gliwice

Bibliografia

• [1] Duch W., Adamczak R., Grąbczewski K., A new methodology of extraction, optimization and application of crisp and fuzzy logical rules, IEEE Trans. on NeuralNetworks, vol. 12, s. 277-305, 2001.
• [2] Dempster A. P., A generalisation of Bayesian inference, J. Royal Stat. Socs. 205-247, 1968.
• [3] Kovalerchuk B., Vityaev E., Ruiz J.F., Consistent knowledge discovery in medical diagnosis, IEEE Eng. In Medicine and Biology, vol.19, s.26-37, 2000.
• [4] Kwiatkowska M., Atkins A.S., Ayas N.T., Ryan C.F., Integrating knowledge-driven and data-driven approaches for derivation of clinical prediction rules, Proc. ICMLA’05, DO-I:10.1109/ICMLA.2005.41, 6 stron, 2005.
• [5] Liu Z., Li Y., A new heyristic algorithm of rules generation based on rough sets, Proc. Int. Seminar on Business and Information Management, IEEE, s.291-294, 2008.
• [6] Nozaki K., Ishibuchi H., Tanaka H., Adaptive fuzzy rule-based Classification Systems, IEEE Trans. on Fuzzy Systems, vol.4, no.3, s. 238-250, 1996.
• [7] Pedrycz W., Waletzky J.: Fuzzy clustering with partial supervision, IEEE Trans. On Systems, Man and Cybernetics, vol. 27, s.787-795, 1997.
• [8] Straszecka E.: Jednoczesna ocena informacji ilościowej i jakościowej podczas wspomagania diagnostyki medycznej. PAK, vol.53, s. 372-375, 2007.
• [9] Straszecka E.: Measures of uncertainty and imprecision in medical diagnosis support, Wyd. Politechniki Śląskiej, Gliwice, 2010.
• [10] Straszecka E.: The basic probability assignment as a measure of diagnostic rules significance, J. of Medical Informatics & Technologies, Comp. Sys. Dept., Univ. of Silesia, Poland, vol.22, s.95-102, 2013.