Pareto filter in the process of multi-label classifier synthesis in medical diagnostics support algorithms

• Autorzy: Ameljańczyk A.

Warianty tytułu

PL

Filtr Pareto w procesie syntezy klasyfikatorów wieloetykietowych w algorytmach wspomagania diagnostyki medycznej

• Języki publikacji: EN

Abstrakty

EN

The paper presents the possibility of using multi-criteria optimization methods for simple classifiers fusion in a more precise and reliable classifiers complex. There are defined simple classifiers (one label) in the form of classifier committees and sample the synthesis relations of classifiers allow to obtain classifiers filed with improved properties.

PL

W pracy przedstawiono możliwość wykorzystania metod optymalizacji wielokryterialnej w procesie fuzji klasyfikatorów prostych w bardziej precyzyjne i wiarygodne klasyfikatory złożone. Przedstawiono proste (jednoetykietowe) klasyfikatory w postaci komitetów klasyfikatorów, pozwalające uzyskiwać klasyfikatory złożone o lepszych własnościach.

Słowa kluczowe

EN

Pareto filter; medical diagnostics; committee classifiers; classifiers synthesis; not dominated diagnosis

PL

filtr Pareto; diagnostyka medyczna; komitety klasyfikatorów; synteza klasyfikatorów; diagnoza niezdominowana

• 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: 5--10
• 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., „Metryki Minkowskiego w tworzeniu uniwersalnych algorytmów rankingowych”, Biuletyn WAT, Vol. LXIII, Nr 2, 324-336 (2014).
• [3] Ameljańczyk A., Multipe 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 Medical 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.