Ensemble Classification to Detect Diabetes Mellitus Using a Hybrid Feature Selection Method
저자
발행사항
청주 : 충북대학교, 2019
학위논문사항
학위논문(석사)-- 충북대학교 일반대학원 : 스마트팩토리학협동과정 2019. 8
발행연도
2019
작성언어
영어
주제어
KDC
005.76 판사항(5)
발행국(도시)
충청북도
기타서명
당뇨병 탐지를 위한 하이브리드 특징 선택 기반 앙상블 분류 기법
형태사항
ix, 90 p. : 삽화, 표 ; 26 cm.
일반주기명
충북대학교 논문은 저작권에 의해 보호됩니다.
지도교수: 이종연
참고문헌 : p.68-72
UCI식별코드
I804:43009-000000052528
소장기관
Detection of the chronic disease is a very serious and important research topic in medical domain nowadays. The diabetes mellitus is one of the most representative chronic disease, which has been one of the top ten leading causes of death in the world. In addition, it is the main risk factor of some complication diseases, such as cardiovascular disease, neuropathy, nephropathy and retinopathy and so on. Hence, it is necessary to do a study about diabetes mellitus detection. In medical domain, most of the dataset has very high dimension, it will require more time and cost to analyze the dataset for getting useful information about disease detection, and it has high probability to reduce the accuracy of disease detection. Previous studies have demonstrated that the feature selection and ensemble classification method can be used to improve the accuracy of disease detection. Therefore, this dissertation proposes ensemble classification to detect diabetes mellitus using a hybrid feature selection method to extract optimal features based on the KNHANES VI dataset from 2013 to 2015. The experiment consists of three steps. In the first step, the KNHANES VI dataset was collected and cleaned. In the second step, a hybrid feature selection method was applied to extract useful features to detect diabetes mellitus. It included three parts, the complex sampling based feature selection was applied to extract significant features between the diabetes group and normal group, the Pearson’s correlation with symmetrical uncertainty based feature selection was used to remove redundant features, and the wrapper based feature selection method with different learning algorithms was applied to extract optimal features. This method was compared with other five generally used filter based feature selection methods which were Pearson’s Correlation, Information Gain, Gain Ratio, Symmetrical Uncertainty and ReliefF, the result showed that the hybrid feature selection method can get better performance than other five filter based feature selection methods. In the third step, we used the 10-fold cross validation with four popular single classification algorithms which were decision tree based C4.5, probability based Naïve Bayes, regression model based Logistic Regression and Support Vector Machine algorithms, and ensemble classification algorithms, such as AdaBoost, bagging and stacking to each extracted optimal features for validating the performance, and we used the F-measure, AUC and accuracy as the performance measurements. The result showed that the Support Vector Machine-AdaBoost classifier with the hybrid feature selection method can get highest classification performance of the diabetes mellitus detection, where F-measure is 88.2% and Accuracy is 83.68%. We expect the result of this dissertation can be used as an important reference to detect the diabetes mellitus in the future.
더보기만성 질환의 탐지는 오늘날 의학 분야에서 매우 심각하고 중요한 연구 주제이다. 당뇨병은 세계에서 가장 대표적인 만성 질환 중 하나로, 최근까지 주요 사망 원인들 중 상위 10위권 안에 포함되어있다. 또한 심혈관 질환, 신경증, 신장병, 망막증 등과 같은 일부 합병증 질환의 주요 위험 요인이기도 하다. 따라서 당뇨병 탐지에 대한 연구가 필요하다. 의학 분야에서 대부분의 데이터 셋은 매우 높은 차원을 가지며, 질병 탐지에 대한 유용한 정보를 얻기 위해 데이터 셋을 분석하는 데 더 많은 시간과 비용이 소요될 것이며, 질병 탐지의 정확성을 줄일 가능성이 높다. 이전의 연구는 특징 선택과 앙상블 분류 알고리즘을 사용하여 질병 탐지 정확도를 향상시킬 수 있다는 것을 입증했다. 본 연구에서는 당뇨병을 더 정확하게 탐지하기 위해 2013년부터 2015년까지 수집된 KNHANES VI 데이터 셋을 기반으로 하이브리드 특징 선택 방법을 사용하여 최적의 특징을 추출하고 앙상블 분류 방법을 제안했다. 그 실험은 세 부분으로 이루어져 있다. 첫 번째 단계에서는 KNHANES VI 데이터 셋을 수집하고 결측치 및 이상치를 제고한다. 두 번째 단계에서는 당뇨병을 탐지하기 위한 유용한 특징을 추출하기 위해 하이브리드 특징 선택 방법을 적용했다. 이 단계는 세 부분으로 구성한다. 복합 샘플링 기반 특징 선택 방법을 적용하여 당뇨병 그룹 및 정상 그룹과 유의성이 있는 특징을 추출하였고, Pearson’s Correlation 과 symmetrical uncertainty 기반 특징 선택 방법을 적용하여 중복된 특징을 제거하였고, 여러 가지 학습 알고리즘을 가진 래퍼 기반 특징 선택 방법을 적용하여 당뇨병을 탐지하기 위한 최적의 특징을 추출했다. 이 방법은 Pearson’s Correlation, Information Gain, Gain Ratio, Symmetrical Uncertainty 과 ReliefF 인 다른 다섯 가지 필터 기반 특징 선택 방법과 비교되었으며, 그 결과는 하이브리드 특징 선택 방법이 다른 다섯 가지 필터 기반 특징 선택 방법보다 더 나은 성능을 얻을 수 있다는 것을 보여주었다. 세 번째 단계에서는 의사 결정 트리 기반 C4.5, 확률 기반 Naive Bayes, 회귀 모델 기반 Logistic Regression 및 Support Vector Machine 등 네 가지 단일의 분류 알고리즘, 그리고 AdaBoost, bagging 하고 stacking 와 같은 앙상블 분류 알고리즘과 함께 10-폴드 교차 검증을 사용하여 추출한 최적의 특징을 적용했다. 성능을 검증하기 위한 F-척도, AUC 및 정확도를 성능 측정치로 사용했다. 결과적으로 하이브리드 특징 선택 방법이 적용된 Support Vector Machine-AdaBoost 분류기가 당뇨병 탐지의 최고 분류 성능을 얻을 수 있으며, 여기서 F-척도는 88.2%, 정확도는 83.68%이다. 본 연구의 결과는 앞으로 당뇨병을 탐지하는 중요한 참고자료로 사용될 수 있을 것으로 기대한다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)