PRZEGLĄD METOD SELEKCJI CECH UŻYWANYCH W DIAGNOSTYCE CZERNIAKA

Magdalena Michalska

doi:10.35784/iapgos.2455

PDF (angielski)

Opublikowane: 2021-03-31

DOI: https://doi.org/10.35784/iapgos.2455

Numer Tom 11 Nr 1 (2021)

SYSTEM DO POMIARU ZESPOLONEJ PODATNOŚCI MAGNETYCZNEJ NANOCZĄSTEK Z WYKONANYM W TECHNOLOGII DRUKU 3D KARKASEM ZINTEGROWANYCH CEWEK ODBIORCZYCH
Mateusz Midura, Przemysław Wróblewski, Damian Wanta, Grzegorz Domański, Mateusz Stosio, Jacek Kryszyn, Waldemar T. Smolik

4-9
METODY POMIARU SPRZĘŻENIA MAGNETOELEKTRYCZNEGO W MATERIAŁACH MULTIFERROICZNYCH
Jakub Grotel

10-14
METODY WYKRYWANIA POŻARÓW W EKOSYSTEMACH PRZY UŻYCIU ZDJĘĆ SATELITARNYCH O NISKIEJ ROZDZIELCZOŚCI
Valerii Shvaiko, Olena Bandurka, Vadym Shpuryk, Yevhen V. Havrylko

15-19
WYTWARZANIE ZAPÓR OGNIOWYCH REALIZOWANYCH POPRZEZ WYBUCHOWE WYTWARZANIE AEROZOLU WODNEGO JAKO ELEMENT INŻYNIERII BEZPIECZEŃSTWA POŻAROWEGO
Grzegorz Śmigielski

20-23
METODY OCENY I PROGNOZOWANIA POZIOMÓW PROMIENIOWANIA ELEKTROMAGNETYCZNEGO W ŚRODOWISKACH MIEJSKICH
Denys Bakhtiiarov, Oleksandr Lavrynenko, Nataliia Lishchynovska, Ivan Basiuk, Tetiana Prykhodko

24-27
METODA OKREŚLANIA RZECZYWISTEJ WARTOŚCI CIŚNIENIA W PRÓŻNIOWEJ KOMORZE GASZENIOWEJ SN
Michał Lech, Damian Kostyła

28-31
PRZEGLĄD METOD SELEKCJI CECH UŻYWANYCH W DIAGNOSTYCE CZERNIAKA
Magdalena Michalska

32-35
OPRACOWANIE METODY WYKORZYSTANIA SZTUCZNEJ INTELIGENCJI DO UZYSKIWANIA DOKŁADNIEJSZYCH WYNIKÓW PODSTAWOWYCH PARAMETRÓW PROPAGACJI SYGNAŁÓW RADIOWYCH
Andrii Shchepak, Volodimir Parkhomenko, Vyacheslav Parkhomenko

36-39
ZASTOSOWANIE METODY ANALIZY WSPÓŁCZYNNIKA MACIERZOWEGO DO OKREŚLENIA PARAMETRÓW FUNKCJI CELU DLA MINIMALIZACJI RYZYKA W TRANSPORCIE
Serhii Zabolotnii, Sergii Mogilei

40-43
ALGORYTMY BILANSOWANIA ORAZ HIERARCHIZACJI MACIERZY WEDŁUG ICH TYPU I ZŁOŻONOŚCI
Yuriy Khanas, Michał Borecki

44-49
POLIPARAMETRYCZNE KODOWANIE BLOKOWE
Julia Milova, Yuri Melnik

50-53
TWORZENIE OPROGRAMOWANIA BEZ KODOWANIA NA PRZYKŁADZIE PLATFORMY LOGOTEC APP STUDIO
Monika Moskal

54-57
APLIKACJA SZKOLENIOWA OPARTA NA SCENARIUSZACH INTERAKCJI VR – NA PRZYKŁADACH DLA LOGISTYKI
Wojciech Włodyka, Dariusz Bober

58-61
BADANIE ZALEŻNOŚCI STRUKTURY WEKTORÓW INDEKSÓW PRZESUNIĘCIA OD WŁAŚCIWOŚCI KODÓW PIERŚCIENIOWYCH W MOBILNYCH SIECIACH INTERNETU RZECZY
Vladislav Kravchenko, Olena Hryshchenko, Viktoriia Skrypnik, Hanna Dudarieva

62-64

Archiwum

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

2019

Tom 9 Nr 4
2019-12-16 20
Tom 9 Nr 3
2019-09-26 20
Tom 9 Nr 2
2019-06-21 16
Tom 9 Nr 1
2019-03-03 13

Authors

Magdalena Michalska

mmagamichalska@gmail.com

Politechnika Lubelska, Katedra Elektroniki i Technik Informacyjnych

http://orcid.org/0000-0002-0874-3285 ##orcid.unauthenticated##

Abstrakt

Obecnie stosuje się wiele metod selekcji cech. Cieszą się coraz większym zainteresowaniem badaczy. Oczywiście niektóre metody są stosowane częściej. W artykule zostały opisane podstawy działania algorytmów opartych na selekcji. Metody selekcji cech należące dzielą się na trzy kategorie: metody filtrowe, metody opakowujące, metody wbudowane. Zwrócono szczególnie uwagę na znalezienie przykładów zastosowań opisanych metod w diagnostyce czerniaka skóry.

Słowa kluczowe:

metody selekcji cech, metody filtrowania, metody opakowujące, wbudowane metody

Bibliografia

Alquran H., Qasmieh I. A., Alqudah A. M., Alhammouri S., Alawneh E., Abughazaleh A., Hasayen F.: The melanoma skin cancer detection and classification using support vector machine. IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies (AEECT), Aqaba, Jordan, 2017, 1–5 [http://doi.org/10.1109/AEECT.2017.8257738].

Al-Sahaf H., Al-Sahaf A., Xue B., Johnston M., Zhang M.: Automatically Evolving Rotation-Invariant Texture Image Descriptors by Genetic Programming. IEEE Transactions on Evolutionary Computation 21(1)/2017, 83–101.

Andersen S. W., Runger G. C.: Automated feature extraction from profiles with application to a batch fermentation process. Journal of the Royal Statistical Society: Series C (Applied Statistics) 61(2)/2012, 327–344.

Bolón-Canedo V., Remeseiro B.: Feature selection in image analysis: a survey. Artif Intell Rev 53/2020, 2905–2931.

Celebi M. E., Aslandogan Y. A., Stoecker W. V., Iyatomi H., Oka H., Chen X.: Unsupervised border detection in dermoscopy images. Skin Res Technol. 13/2007, 1–9.

Chmielnicki W.: Efektywne metody selekcji cech i rozwiązywania problemu wieloklasowego w nadzorowanej klasyfikacji danych. Rozprawa doktorska. Instytut Podstawowych Problemów Techniki PAN, Kraków 2012.

Dash M., Liu H.: Consistency-based search in feature selection. Artificial Intelligence 151(1–2)/2003, 155–176 [http://doi.org/10.1016/S0004-3702(03)00079-1].

Doukas C., Stagkopoulos P., Kiranoudis C. T., Maglogiannis I.: Automated skin lesion assessment using mobile technologies and cloud platforms. Engineering in Medicine and Biology Society (EMBC) – Annual International Conference of the IEEE, 2012.

Ercal F., Chawla A., Stoecker W.V., Lee H., Moss R. H.: Neural Network diagnosis of malignant melanoma from color images. IEEE Transactions on Biomedical Engineering 41(9)/1994, 837–845.

Gościk, J., Łukaszuk, T.: Application of the recursive feature elimination and the relaxed linear separability feature selection algorithms to gene expression data analysis. Advances in Computer Science Research 10/2013, 39–52.

Guyon I., Elisseeff A.: An introduction to variable and feature selection. Journal of Machine Learning Research 3/2003, 1157–1182.

Hall M., Smith Lloyd A.: Practical feature subset selection for machine learning. Springer 1998.

Hall M.: Correlation-based feature selection for machine learning. Department of Computer Science 19/2000.

https://moredvikas.wordpress.com/2018/10/09/machine-learning-introduction-to-feature-selection-variable-selection-or-attribute-selection-or-dimensionality-reduction/

Huang J., Ling C. X.: Using AUC and accuracy in evaluating learning algorithms. IEEE Trans Knowledge Data Eng. 17(3)/2005, 299–310.

Keerthi Vasan K., Surendiran B.,: Dimensionality reduction using Principal Component Analysis for network intrusion detection. Perspectives in Science 8/2016, 510–512.

Khan M. A., Tallha A., Muhammad S., Aamir S., Khursheed A., Musaed A., Syed I. H., Abdualziz A.: An implementation of normal distribution based segmentation and entropy-controlled features selection for skin lesion detection and classification. BMC Cancer 18(1)/2018, 638.

Kira K., Rendell L. A.: A practical approach to feature selection. Machine Learning Proceedings 1992, 249–256.

Kononenko I.: Estimating attributes: Analysis and extensions of Relief. L. De Raedt, & F. Bergadano (Eds.): Machine Learning: ECML-94 1994, 171–182.

Kuo B. C., Ho H. H., Li C. H., Hung C. C., Taur J. S.: A kernel-based feature selection method for SVM with RBF kernel for hyperspectral image classification. IEEE J Sel Top Appl Earth Obs Remote Sens 7(1)/2014, 317–326.

Liu H., Yu L.: Toward integrating feature selection algorithms for classification and clustering. IEEE Transactions on knowledge and data engineering 17(4)/2005, 491–502.

Neshatian K., Zhang M., Andreae P.: A filter approach to multiple feature construction for symbolic learning classifiers using genetic programming. IEEE Trans. Evol. Comput. 16(5)/2012, 645–661.

Oliveira R. B., Pereira A. S., Tavaresa J. M. R. S.: Skin lesion computational diagnosis of dermoscopic images: Ensemble models based on input feature manipulation. JMRS Tavares – Computer methods and programs Computer Methods and Programs in Biomedicine 149/2017, 43–53.

Pal M., Foody G. M.,: Feature selection for classification of hyperspectral data by SVM. IEEE Trans Geosci Remote Sens 48(5)/2010, 2297–2307.

Qi C., Zhou Z., Sun Y., Song H., Hu L., Wang Q.: Feature selection and multiple kernel boosting framework based on PSO with mutation mechanism for hyperspectral classification. Neurocomputing 220/2017, 181–190.

Ramezani M, Karimian A, Moallem P.: Automatic Detection of Malignant Melanoma using Macroscopic Images. J Med Signals Sens. 4(4)/2014, 281–290.

Robnik-Šikonja M., Kononenko I.: Theoretical and empirical analysis of ReliefF and RReliefF. Machine learning 53(1–2)/2003, 23–69.

Sadri A. R., Azarianpour S., Zekri M., Celebi M. E., Sadri S.: WN-based approach to melanoma diagnosis from dermoscopy images. IET Image Process. 11(7)/2017, 475–482.

Shahid M., Khan S.: Dermoscopy Images classification based on color, texture and shape features using SVM. The 3rd International Conference on Next Generation Computing (INC GC2017b) 2017, 243–245.

Stapor K., Automatyczna klasyfikacja obiektów. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2005.

UCI Machine Learning Repository [http://archive.ics.uci.edu/ml/datasets.html].

Ul Ain B., Xue B., Al-Sahaf H., Zhang M.: Genetic programming for feature selection and feature construction in skin cancer image classification. Pacific Rim International Conference on Artificial Intelligence, Springer 2018, 732–745.

Witten I. H., Frank E., Hall M. A.: Data mining: Practical machine learning tools and techniques. Morgan Kaufmann 2011.

Xie F., Fan H., Li Y., Jiang Z., Meng R., Bovik A.: Melanoma classification on dermoscopy images using a neural network ensemble model, IEEE Transactions on Medical Imaging 36(3)/2017, 849–858.

Xue B., Zhang M., Browne W. N., Yao X.: A survey on evolutionary computation approaches to feature selection. IEEE Trans. Evol. Comput. 20(4)/2016, 606–626.

Yu J., Almal A. A., Dhanasekaran S. M.,Ghosh D., Worzel W. P., Chinnaiyan A., M.: Feature selection and molecular classification of cancer using genetic programming. Neoplasia 9(4)/2007, 292–303.

Zagrouba E., Barhoumi W.: An accelerated system for melanoma diagnosis based on subset feature selection. Journal of Computing and Information Technology – CIT 13(1)/2005, 69–82.

Zhou X., Wang J. J.: Feature selection for image classification based on a new ranking criterion. Journal of Computer and Communications 3/2015, 74–79 [http://doi.org/10.4236/jcc.2015.33013].

PRZEGLĄD METOD SELEKCJI CECH UŻYWANYCH W DIAGNOSTYCE CZERNIAKA. (2021). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 11(1), 32-35. https://doi.org/10.35784/iapgos.2455

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 11 Nr 1 (2021)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja