Property analysis of multi-label classifiers in the example of determining the initial medical diagnosis

• Autorzy: Ameljańczyk A.

Warianty tytułu

PL

Analiza własności klasyfikatorów wieloetykietowych na przykładzie określania wstępnej diagnozy

• Języki publikacji: EN

Abstrakty

EN

In the paper analysis of properties of medical diagnoses acquired using simple and complex classifiers was performed. The introduced terms are illustrated with a comprehensive example in the field of medical diagnostics.

PL

W pracy dokonano analizy własności wstępnych diagnoz medycznych uzyskiwanych z zastosowaniem klasyfikatorów prostych i złożonych. Wprowadzone pojęcia zilustrowano obszernym przykładem z zakresu diagnostyki medycznej.

Słowa kluczowe

EN

medical diagnostics; committee classifiers; synthesis of classifiers; not dominated diagnosis classifier reliability

PL

diagnostyka medyczna; klasyfikatory jednoetykietowe; klasyfikatory wieloetykietowe; klasyfikatory proste; klasyfikatory złożone; komitety klasyfikatorów; synteza klasyfikatorów; diagnoza niezdominowana; wiarygodność klasyfikatora

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2015
• Tom: No. 1
• Strony: 11--16
• Opis fizyczny: Bibliogr. 28 poz.

Twórcy

autor

Ameljańczyk A.

• Military University of Technology, Faculty of Cybernetics, Institute of Computer and Information Systems, Kaliskiego Str. 2, 00-908 Warsaw, Poland

Bibliografia

• [1] Acid S., Campos L.M., “A comparison of learning algorithms for Bayesian Networks: a case study based on data from an emergency medical service”, Artificial Intelligence in Medicine, 30, 215-232 (2004).
• [2] Ameljańczyk A., “Pareto filter in the process of multi-label classifier synthesis in medical diagnostics suport algorithms”, Computer Science and Mathematical Modelling, No. 1, 3-10 (2015).
• [3] Ameljańczyk A., Multiple optimization, WAT, Warszawa, 1986.
• [4] Ameljańczyk A., Optymalizacja wielo-kryterialna w problemach sterowania i zarządzania, Ossolineum, Wrocław, 1984.
• [5] Ameljańczyk A., „Metoda podziału zbioru obiektów na wielokryterialne klastry jakościowe”, Biuletyn Instytutu Systemów Informatycznych, Nr 12, 1-7 (2013).
• [6] Ameljańczyk A., “Multicriteria similarity models in medical diagnostics support algorithms”, Bio-Algorithms and Med- Systems, Vol. 21, No. 1, 33-39 (2013).
• [7] Ameljańczyk A., „Wiarygodność komputerowych systemów wspomagania diagnostyki medycznej”, w: Problemy modelowania i projektowania opartych na wiedzy systemów informatycznych na potrzeby bezpieczeństwa narodowego, 23-39, WAT, Warszawa, 2014.
• [8] Balcan M.F., Bansal N., Beygelzimer A., Coppersmith D., Langford J., and Sorkin G.B., “Robust reductions from ranking to classification”, Machine Learning, 72(1-2), 139-153 (2008).
• [9] Bouyssou D., Marchant T., “An axiomatic approach to noncompensatory sorting methods in MCDM, I: The case of two categories”, EJOR, 178(1), 217-245 (2007).
• [10] Brans J.P.,Vincke Ph., “A preference ranking organization method: The PROMETHEE method for Multiple Criteria Decision-Making”, Management Science, Vol. 31, No. 6, 647-656 (1985).
• [11] Courtney H., Kirkland J., Viguerie P., „Strategia w warunkach niepewności”, w: Zarządzanie w warunkach niepewności, Harvard Busines Review, 316-324, Helion, Gliwice, 2006.
• [12] Dietterich G.T., ‟Machine learning research: four current directions”, AI Magazine, 18, 97-136 (1997).
• [13] Furnkranz J., Hullermeier E., Mencia E., and Brinker K., “Multilabel classification via calibrated label ranking”, Machine Learning, 73, 133-153 (2008).
• [14] Kahneman D., Tversky A., “Prospect theory: An Analysis of Decision Under Risk”, Econometrica, Vol. 47, No. 2, 67-72 (1978).
• [15] Kuncheva L.I., Whitaker C.J., “Measures of diversity in classifier ensembles”, Machine Learning, Vol. 51, No. 2, 181-207 (2003).
• [16] Larose D., Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa, 2008.
• [17] Pawlak Z., “Rough Sets”, International Journal of Computer and Information Sciences, Vol. 11, 341-356 (1965).
• [18] Pawlak Z., Systemy informacyjne - podstawy teoretyczne, WNT, Warszawa, 1983.
• [19] Perl J., Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann, Los Angeles, California, 1988.
• [20] Rasiowa H., Wstęp do matematyki współczesnej, PWN, Warszawa, 2005.
• [21] Ruiz C., Illustration of the K2 Algorithm for Learning Bayes Net Structures, Department of Computer Science WPI, Bayesian Network Power Constructor, Worcester, MA, 2009.
• [22] Saaty T.L., “Rank from comparisons and from ratings in the analytic hierarchy/network processes”, EJOR, 168(2), 557-570 (2006).
• [23] Seo F., Sakawa M., Multiple Criteria Decision Analysis in Regional Planning, D. Reidel-Kluwer, Dordrecht-Boston-Lancaster-Tokyo, 1988.
• [24] Seung-Seok Ch., Sung-Hyuk Ch., Tappert Ch.C., A Survey of Binary Similarity and Distance Measures, Pace University, New York, 2006.
• [25] Shipp C.A., Kuncheva L.I., “Relationships between combination methods and measures of diversity in combining classifiers”, Information Fusion, Vol. 3, No. 2, 135-148 (2002).
• [26] Yu P.L., Leitmann G., “Compromise solutions, domination structures and Salukwadze’s solution”, JOTA, Vol. 13, 14-21 (1974).
• [27] Yu P.L., Leitmann G., “Nondominated decision and cone convexity in dynamic multicriteria decision problems”, JOTA, Vol. 14, 195-203 (1974).
• [28] Walczak A., Bieniek B., Różyk-Jahnz K., Paluchowska E., „Fuzja klasyfikatorów w diagnostyce chorób skóry”, w: Problemy modelowania i projektowania opartych na wiedzy systemów informatycznych na potrzeby bezpieczeństwa narodowego (red. T. Nowicki i Z. Tarapata), 143-152, WAT, Warszawa, 2014.