Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Biocybernetics and Biomedical Engineering

1 2001

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: selecting relevant variables

Sortuj według:

Ogranicz wyniki do:

Selecting relevant diagnosis variables using integer linear programming techniques

Castillo E., Marino S.I., Tressens S.G.

Biocybernetics and Biomedical Engineering

2001

Vol. 21, no. 1

5-24

Artykuł przedstawia metodę selekcji cech pozwalającą na wybór minimalnego podzbioru S(o) symptomów znaczących z zadanego zbioru symptomów S. Wybór minimalnego podzbioru S(o) dokonywany jest w ten sposób, by zapewnić identyfikowalność danej grupy chorób nawet w warunkach, gdy ustalona liczba symptomów jest utracona. Zmienne binarne i całkowitoliczbowe programowanie liniowe użyto w rozwiązaniu problemu selekcji cech. Poszczególne zmienne binarne wskazują czy dany symptom powinien być włączony do minimalnego podzbioru S(o). Po wybraniu podzbioru S(o) wybierane są zestawy cech służące różnicowaniu pomiędzy daną chorobą a sumą pozostałych chorób. Rezultaty działania proponowanej metody pokazano w artykule na przykładach dwu zbiorów danych: sztucznym i rzeczywistym. Przykład rzeczywistych danych medycznych obejmuje 143 symptomy i 90 chorób. Zbiór ten został znacząco zredukowany w rezultacie zastosowania procedury selekcji cech.

The paper presents a method for selecting a minimum set S(o) of relevant symptoms, from an initially given set S of symptoms, to identify a given set of diseases, even when a fixed number of arbitrary symptoms is missing. Integer linear programming techniques (ILPT) are used, where binary variabies indicate whether a given symptom must be included in the set S(o) of relevant (minimum) symptoms. Once So has been selected, the minima sets of relevant symptoms for distinguishing each disease from the rest of diseases are obtained, also using ILPT. A pedagogical example illustrates the concepts and the proposed methods. Finally, a real example with 143 symptoms and 90 diseases is used to show that substantial reductions of information can be obtained using the proposed method.