Selección de síntomas importantes para conjuntos de datos médicos

La selección de características óptimas es un área importante de investigación en los sistemas de minería de datos médicos. En esta investigación introducimos un procedimiento eficiente -selección de subconjuntos de características, clasificación de características y clasificación- llamado Análisis de Componentes Principales basado en el método JK para la mejora de la precisión de la detección y la selección de subconjuntos de características óptimas. El método propuesto ajusta un parámetro denominado "cobertura de varianza" y construye el modelo con el valor en el que se obtiene la máxima precisión de clasificación. Esto facilita la selección de un conjunto compacto de características superiores, notablemente a un coste muy bajo. La extensa comparación experimental del método propuesto y otros métodos utilizando tres clasificadores diferentes (Naïve Bayes (NB), perceptrón multicapa (MLP) y árbol de decisión J48) y 6 conjuntos de datos médicos diferentes puede confirmar que la estrategia propuesta (PCA-JK) produce resultados prometedores en la selección de características y la precisión de la clasificación para el campo de investigación de la minería de datos médicos.