Kohosen itseorganisoituvat verkot lääketieteellisen datan luokitteluongelmassa
AUTIO, JOHANNA (2008)
AUTIO, JOHANNA
2008
Tietojenkäsittelyoppi - Computer Science
Informaatiotieteiden tiedekunta - Faculty of Information Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2008-05-21
Julkaisun pysyvä osoite on
https://urn.fi/urn:nbn:fi:uta-1-18189
https://urn.fi/urn:nbn:fi:uta-1-18189
Tiivistelmä
Tutkimuksessa tarkastellaan, kuinka Kohosen itseorganisoituvat verkot soveltuvat luokittelemaan vaikeasti diagnosoitavia huimauspotilaiden tauteja korvalääketieteen alalta. Aineistoa on luokiteltu aikaisemminkin neuroverkoilla käyttäen tähän pääosin
monikerroksisia perceptron-verkkoja. Itseorganisoituvien verkkojen soveltuvuudesta aineiston luokitteluun kaivattiin lisätietoa ja oltiin myös kiinnostuneita, kuinka aineistossa olevien pienten tautiluokkien luokittelu niillä onnistuisi.
Tutkimuksessa todettiin itseorganisoituvien verkkojen soveltuvan hyvin tämän aineiston luokitteluun. Aineiston pääjoukon luokittelu onnistui sensitiivisyydellä 81 % ja kokonaistarkkuudella 91 %. Pientenkin tautiluokkien luokittelun mahdollisuudesta saatiin viitteitä, mutta tautiluokkien jakauman tulisi olla tasaisempi kaikki tautiluokat optimaalisesti luokittelevan mallin muodostamiseksi.
CR-luokat: I.5.1 [Pattern Recognition]: Models – Neural nets; I.5.2 [Pattern Recognition]: Design Methodology – Classifier design and evaluation.
Avainsanat ja -sanonnat: neuroverkko, itseorganisoituva kartta, SOM, luokittelu, lääketieteellinen data-analyysi, huimaus
monikerroksisia perceptron-verkkoja. Itseorganisoituvien verkkojen soveltuvuudesta aineiston luokitteluun kaivattiin lisätietoa ja oltiin myös kiinnostuneita, kuinka aineistossa olevien pienten tautiluokkien luokittelu niillä onnistuisi.
Tutkimuksessa todettiin itseorganisoituvien verkkojen soveltuvan hyvin tämän aineiston luokitteluun. Aineiston pääjoukon luokittelu onnistui sensitiivisyydellä 81 % ja kokonaistarkkuudella 91 %. Pientenkin tautiluokkien luokittelun mahdollisuudesta saatiin viitteitä, mutta tautiluokkien jakauman tulisi olla tasaisempi kaikki tautiluokat optimaalisesti luokittelevan mallin muodostamiseksi.
CR-luokat: I.5.1 [Pattern Recognition]: Models – Neural nets; I.5.2 [Pattern Recognition]: Design Methodology – Classifier design and evaluation.
Avainsanat ja -sanonnat: neuroverkko, itseorganisoituva kartta, SOM, luokittelu, lääketieteellinen data-analyysi, huimaus