Sélection des symptômes importants pour les ensembles de données médicales

La sélection de caractéristiques optimales est un domaine de recherche important dans les systèmes d'exploration de données médicales. Dans cette recherche, nous introduisons une procédure efficace - sélection de sous-ensembles de caractéristiques, classement des caractéristiques et classification, appelée analyse en composantes principales basée sur la méthode JK pour l'amélioration de la précision de détection et la sélection de sous-ensembles de caractéristiques optimaux. La méthode proposée ajuste un paramètre appelé "couverture de variance" et construit le modèle avec la valeur à laquelle la précision de classification maximale est obtenue. Cela facilite la sélection d'un ensemble compact de caractéristiques supérieures, remarquablement à un coût très faible. La comparaison expérimentale approfondie de la méthode proposée et d'autres méthodes utilisant trois classificateurs différents (Naïve Bayes (NB), perceptron multicouche (MLP) et arbre de décision J48) et 6 ensembles de données médicales différents peut confirmer que la stratégie proposée (PCA-JK) donne des résultats prometteurs sur la sélection des caractéristiques et la précision de la classification pour le domaine de recherche de l'exploration de données médicales.