全球研究计算机科学杂志》上
菜单石头:2229 - 371 x
石头:2229 - 371 x
K。Saravana库马尔* 1博士r . Manicka Chezian2
|
| 通讯作者:K。Saravana Kumar电子邮件:Saravanakumarmca029@gmail.com |
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
甲状腺癌是最常见的一种癌症,首次超越胃癌在去年。本文提出了应用关联规则挖掘疑似甲状腺疾病。我们运用欺骗的模型组甲状腺数据集然后应用先验的算法生成规则。规则,生成用于测试甲状腺欺骗性。特别是我们感兴趣的是检测甲状腺对关键活动。分类后,我们必须能够区分甲状腺亢进者信息,甲状腺甲状腺(信息)和那些作为警报(警告)对未来的关键活动。
介绍 |
| 甲状腺腺体在脖子上。它产生甲状腺激素称为甲状腺素(T4)和三碘甲状腺氨酸(T3)。这些激素是非常重要的,有助于控制身体的新陈代谢(能量)的使用。甲状腺也生产降钙素。这有助于控制大量的钙和磷酸盐在体内。降钙素水平是提高当甲状腺髓样癌。相比,乳腺癌、肺癌、前列腺癌和肠道癌症甲状腺癌常见的要少得多。2012年,大约有56460例新病例(43210名妇女、13250名男性)诊断在英国。(226160年相比229060年乳腺癌:肺癌:前列腺癌241740)[8][10]。数据挖掘是强大的工具,使关键的调查人员可能湖广泛的训练数据分析师快速有效地探索大型数据库。 Computers can process thousands of addition, installing and running software often costs less than hiring and training personality. Computers are also less prone to errors than human investigators. So this system is helps and supports the investigator. Thyroid diseases is also growing rapidly , creating needs for automated analysis.so to detect a critical of thyroid diseases should be applied to discover, identify pattern and Make identify pattern. We apply this model of deception to the set of thyroid dataset we used apriori algorithm to generate to generate a classified the categories the thyroid as deceptive or not. |
 |
问题陈述和相关工作 |
| 因此,问题是要找到一个通过甲状腺系统识别欺骗的通信。即使欺骗甲状腺分类我们必须能够区分警报的信息甲状腺甲状腺。我们给出下面的例子h指甲状腺与详细信息关于你受到影响甲状腺亢进和甲状腺[9]。 |
| 可疑甲状腺和正常甲状腺的例子 |
 |
| 的甲状腺是提供有关他/她的信息影响甲状腺亢进和甲状腺.Informative甲状腺不是一个关键的位置。可疑甲状腺是提供有关他/她的信息影响甲状腺在关键位置。 |
提出工作 |
| 在本文中,我们提出一个关联规则挖掘算法(先天算法)来检测可疑甲状腺甲状腺和进一步分类为警报信息[6][7]。在实现中,有两个部分:甲状腺预处理,建立关联分类器和验证 |
| 甲状腺预处理: |
| 基于欺骗的理论基于理论的欺骗性甲状腺欺骗一个欺骗性的甲状腺,这样的话是设置为关键字和从输入数据中提取。例子TSH, T3, T4表示关键字。 |
| 甲状腺功能测试: |
| 测试正常的范围 |
| TSH 0.3 - -3.0μU /毫升 |
| T3 0.8 - -1.8μg / l = 80 - 180毫微克/分升 |
| T4 46 - 120μg / l = 4.6 - -12.0μg / dl |
| 预处理后的输出的表格格式属性给出的表头和记录在列。class属性是检测信息、警报或正常的甲状腺。 |
| 问题陈述相关工作: |
 |
| 构建关联分类器: |
| 甲状腺分类是一个过程,发现一系列的模型(或函数),描述和区分数据类和概念,为了能够使用模型来预测类标签的对象是未知的[7]。训练数据包含两个事务类警报甲状腺的关键词TSH / T3 / T4,一个事务的TSH =高,T3, T4 =正常。先验的算法得到一个模型包含两个第二步模型建立包含两个事务使用测试数据进行了测试。如果精度测量的百分比信息正确分类,如果精度不满足一个或几个步骤的分类器需要修改。 |
先验的可疑甲状腺检测算法 |
| 关联规则挖掘寻找有趣的协会或相关项目之间的关系在一个给定的大型数据集[2]。挖掘频繁项集的先验的算法在事务数据库中寻找频繁的词集 |
 |
| 训练集的甲状腺功能[1]。给定单词和局部频繁集的类别分配给他们的事务中提取关联规则推导出与约束规则的前提和结论的先行词总是包含单词,结果是只一个局部的类别。 |
| 本文尝试为可疑甲状腺检测算法信息和警告。项集的算法生成一个文件列表。例如项集的可疑信息甲状腺可能包括{TSH =高,T3 =正常,T4 =正常}和警报甲状腺可能包括{TSH =正常,T3 =正常,T4 =高}支持显示有多少例Itemset值{紧张=高,T3, T4 =高甲状腺=可疑甲状腺}和信心节目甲状腺可疑的或欺骗性的可能性情况下有高TSH =低T4 =假设一个甲状腺包含项目或关键字。{TSH、T3、T4}。这条规则的信心是交易的百分比包含{TSH =高,T3 =正常,},也含有{T4 =正常}。 |
| 支持事务的规则是包含{TSH =低T3 =正常}和T4 =正常}。一个关联规则可以有多个项目的前期(左边)和许多项目的结果(右手边)。规则{TSH =高,T3 =正常,T4 =正常}- >{结果=信息}前期{TSH =高,T3 =正常,T4 =正常}和顺向=信息}{类。然后使用这个条目集产生关联规则和一个这样的规则是[3][4] |
| TSH =高,T4 =正常,T4 =正常甲状腺TSH = - >信息正常,T4 =低T4 =正常- >警报甲状腺TSH =正常,T4 =正常,T4 =正常- >信息。 |
实验结果 |
| 数据挖掘的应用怀疑甲状腺检测完成的任务;实验进行一个小甲状腺语料库。混合物1000的甲状腺,1000警告甲状腺和1000正常甲状腺。系统训练的训练数据集和默认使用阈值[11]的支持和信心。 |
| Tsh正常t4 =高t3 = =正常甲状腺}{可疑的信息 |
| Tsh正常t3 = =高t4 =正常{可疑甲状腺} |
| Tsh正常t3 = =正常t4 =高{可疑甲状腺} |
| Tsh正常t3 = =正常t4 =正常正常}{频繁项目集{Tsh正常t3 = =高,t4 =正常}和由此产生的关联规则是如果Tsh正常t3 = =高,t4甲状腺= =正常那么可疑(警报)。这是可疑甲状腺警报警报类型在未来它将导致任何后果。 |
结论 |
| 关联规则挖掘有着广泛的适用性等市场购物篮分析,可疑电子邮件检测可疑甲状腺检测、图书馆管理和许多地区。我们可以找到一个简单的先验的算法可以提供更好的分类结果可疑甲状腺检测基于关联规则的分类器的一个主要优点是,它不接受是独立和培训相对比较快。此外,规则是人类合理和容易被人维护或修理。本文应用关联规则挖掘方法对疑似甲状腺检测提出使用关键字提取和考虑关键属性称为TSH, T3, T4。拟议的工作将有助于识别误导甲状腺也帮助侦探获取信息及时采取有效行动来减少重要行动。 |
引用 |
|