A hybrid classifier based on SVM method for cancer clssification

• Autorzy: Piątkowska W. , Martyna J.

Warianty tytułu

PL

Hybrydowy klasyfikator oparty na metodzie SVM dla klasyfikacji chorób onkologicznych

• Języki publikacji: EN

Abstrakty

EN

n this paper, we proposed a new method of applying Support Vector Machines (SVMs) for cancer classification. We proposed a hybrid classifier that considers the degree of a membership function of each class with the help of Fuzzy Naive Bayes (FNB) and then organizes one-versus-rest (OVR) SVMs as the architecture classifying into the corresponding class. In this method, we used a novel system of ordering the recognized expression profiles by means of using FNB and genering SVMs with the OVR scheme. The results show that our hybrid classifier is comparable to the conventional methods.

PL

W artykule zaproponowano nową metodę klasyfikacji chorób onko­logicznych. Użyto w niej m.in. naiwnego, rozmytego klasyfikatora bayesowskiego (ang. Fuzzy Naive Bayes) oraz maszyny z wektorami wspierającymi (ang. Support Vector Machines) jako systemu klasyfikującego. Tak powstały hybrydowy klasyfikator klasyfikuje choroby onkologiczne porównywalnie z konwencjonalnymi metodami.

Słowa kluczowe

EN

SVM method; Fuzzy Naive Bayes; cancer classification

PL

metoda SVM; naiwny rozmyty bayes; klasyfikacja chorób onkologicznych

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2009
• Tom: Vol. 30, nr 2A
• Strony: 229--307
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Piątkowska W.

autor

Martyna J.

• Instytut Informatyki Stosowanej Uniwerystet Jagielloński, 30-059 Kraków, ul. Reymonta 4 tel. [phone],

Bibliografia

• 1. Brown P. O., Brotstein D.: Exploring the New World of the Genome with DNA Microarrays. Nat. Genet. Suppl., 21, 1999, p. 33-37.
• 2. Cho S. -B., Ryu J.: Classifying Gene Expression Data of Cancer Using Classifier Ensemble with Mutually Exclusive Features. Proc. IEE 90 (11), 2002, p. 1744-1753.
• 3. Cortes C, Vapnik V. N.: Support Vector Networks. Machine Learning, 20, 1995, p. 273-297.
• 4. Duggan D. J., Bittner M, Chen Y., Melter P., Trent J.: Expression Profiling Using cDNA Microarrays. Nature Genetics, 21, 1999, p. 10-14.
• 5. Jeffrey R. C: The Logic of Decision. Gordon and Brench Inc., New York 1965.
• 6. Lipschutz R. J., Fodor S. P. A., Gingeras T. R., Lockhart D. J.: High Density Synthetic Eigenuclectide Arrays. Nature Genetics, 21, 1999, p. 20-24.
• 7. Liu J., et al.: An Improved Naive Bayesian Classifier Technique Coupled with a Novel Input Solution Method. IEEE Trans, on Systems, Man, and Cybernetics - Part C: Appl. Rev. 31, No. 2, 2001, p. 249-256.
• 8. McLachlan G. J., Do K. -A., Ambroise Ch.: Analyzing Microarray Gene Expression Data. John Wiley and Sons, 2004.
• 9. Muller K. R., Mike S., Ratsch G, Tsuda K., Scholkopf B.: An Introduction to Kernel-Based Learning Algorithms. IEEE Trans. On Neural Networks, Vol. 12, No. 2, 2001, p. 181-201.
• 10. Ramaswamy S., et al: Multiclass Cancer Diagnosis Using Tumor Gene Expression Signatures. Proc. Nat. Acad. Sci., Vol. 98, No. 26, 2001, p. 15149-15154.
• 11. Randon J., Ławry J.: Classification and Query Evaluation Using Modeling with Words. Information Sciences. Special Issue - Computing with Words: Models and Applications, Vol. 176, 2006, p. 438-464.
• 12. Vapnik V. N.: The Nature of Statistical Learning Theory. Springer-Verlag, Berlin, Heidelberg, New York 1995.
• 13. Vapnik V. N.: Statistical Learning Theory. John Wiley and Sons, 1998.
• 14. Vapnik V. N.: The Support Vector Method of Function Estimation, in: J. A. K. Suykens, J. Vandewolle (eds.). Nonlinear Modeling: Advanced Black-box Techniques, Kluwer Academic Publishers, Boston 1998, p. 55-85.