Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: klasyfikacja SVM

Sortuj według:

Ogranicz wyniki do:

Data mining methods for gene selection on the basis of gene expression arrays

Muszyński M., Osowski S.

International Journal of Applied Mathematics and Computer Science

2014

Vol. 24, no. 3

657--668

The paper presents data mining methods applied to gene selection for recognition of a particular type of prostate cancer on the basis of gene expression arrays. Several chosen methods of gene selection, including the Fisher method, correlation of gene with a class, application of the support vector machine and statistical hypotheses, are compared on the basis of clustering measures. The results of applying these individual selection methods are combined together to identify the most often selected genes forming the required pattern, best associated with the cancerous cases. This resulting pattern of selected gene lists is treated as the input data to the classifier, performing the task of the final recognition of the patterns. The numerical results of the recognition of prostate cancer from normal (reference) cases using the selected genes and the support vector machine confirm the good performance of the proposed gene selection approach.

Classification of fundus eye images using support vector machines for supporting glaucoma diagnosis

Stąpor K., Brueckner A.

Studia Informatica

2004

Vol. 25, nr 3

49-59

In this paper the new method for automatic classification of fundus eye images into normal and glaucomatous ones is proposed. The cup region is automatically segmented from fundus eye images taken from classical fundus camera. The proposed method makes use of support vector machines classifier with Gaussian kernel. The mean sensitivity is 85 %, while specificity 90%.

W artykule przedstawiono nową metodę automatycznej klasyfikacji cyfrowych obrazów dna oka na normalne i jaskrowe. Obszar wnęki naczyniowej zostaje automatycznie wysegmentowany na obrazie dna oka pozyskanego z klasycznej funduskamery. Zaproponowana metoda klasyfikacji wykorzystuje maszyny wektorów podpierających z jądrem Gaussowskim. Średnia czułość metody wynosi 85%, a specyficzność 90%.