Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 1

A review of homogenous ensemble methods on the classification of breast cancer data

Przegląd jednorodnych metod zespołowych dotyczących klasyfikacji danych dotyczących raka piersi

10.15199/48.2024.01.21

nr katalogowy: 147101
10.15199/48.2024.01.21

Streszczenie

In the last decades, emerging data mining technology has been introduced to assist humankind in generating relevant decisions. Data mining is a concept established by computer scientists to lead a secure and reliable classification and deduction of data. In the medical field, data mining methods can assist in performing various medical diagnoses, including breast cancer. As evolution happens, ensemble methods are being proposed to achieve better performance in classification. This technique reinforced the use of multiple classifiers in the model. The review of the homogenous ensemble method on breast cancer classification is being carried out to identify the overall performance. The results of the reviewed ensemble techniques, such as Random Forest and XGBoost, show that ensemble methods can outperform the performance of the single classifier method. The reviewed ensemble methods have pros and cons and are useful for solving breast cancer classification problems. The methods are being discussed thoroughly to examine the overall performance in the classification.

Abstract

W ostatnich dziesięcioleciach wprowadzono nową technologię eksploracji danych, która ma pomóc ludzkości w podejmowaniu odpowiednich decyzji. Eksploracja danych to koncepcja opracowana przez informatyków w celu zapewnienia bezpiecznej i niezawodnej klasyfikacji i dedukcji danych. W medycynie metody eksploracji danych mogą pomóc w przeprowadzaniu różnych diagnoz medycznych, w tym raka piersi. W miarę ewolucji proponuje się metody zespołowe, aby uzyskać lepszą skuteczność klasyfikacji. Technika ta wzmocniła zastosowanie w modelu wielu klasyfikatorów. Przeprowadzany jest przegląd jednorodnej metody zespołowej klasyfikacji raka piersi w celu określenia ogólnej skuteczności. Wyniki recenzowanych technik zespołowych, takich jak Random Forest i XGBoost, pokazują, że metody zespołowe mogą przewyższać skuteczność metody pojedynczego klasyfikatora. Omówione metody zespołowe mają zalety i wady i są przydatne w rozwiązywaniu problemów związanych z klasyfikacją raka piersi. Metody są szczegółowo omawiane w celu sprawdzenia ogólnej wydajności w klasyfikacji.

Słowa kluczowe

Keywords

Bibliografia

[1] H. B. Lee and W. Han, “Unique features of young age breast cancer and its management,” J. Breast Cancer, vol. 17, no. 4, pp. 301–307, 2014, doi: 10.4048/jbc.2014.17.4.301.
[2] H. I. Bülbül and Ö. Ünsal, “Comparison of classification techniques used in machine learning as applied on vocational guidance data,” in Proceedings - 10th International Conference on Machine Learning and Applications, ICMLA 2011, 2011, vol. 2, pp. 298–301, doi: 10.1109/ICMLA.2011.49.
[3] M. M. Pyingkodi et al., “Performance Study Of Classification Algorithms Using The Breast Cancer Dataset Microarray,” vol. 13, no. 2, pp. 1238–1245, 2020.
[4] N. F. Idris and M. A. Ismail, “Breast cancer disease classification using fuzzy-ID3 algorithm with FUZZYDBD method : automatic fuzzy database definition,” Peerj Comput. Sci., 2021, doi: 10.7717/peerj-cs.427.
[5] L. Zhao, S. Lee, and S.-P. Jeong, “Decision Tree Application to Classification Problems with Boosting Algorithm,” Electronics, vol. 10, no. 1903, 2021, doi: https://doi.org/10.3390/electronics10161903.
[6] R. O. Odegua, “An Empirical Study of Ensemble Techniques (Bagging, Boosting and Stacking),” in Deep Learning IndabaX, 2020, vol. 12, no. 10, p. 1683.
[7] F. Sardouk, A. D. Duru, and O. Bayat, “Classification of breast cancer using data mining,” Am. Sci. Res. J. Eng. Technol. Sci., vol. 51, no. 1, pp. 38–46, 2019.
[8] S. Taneja, B. Suri, S. Gupta, and H. Narwal, “A Fuzzy Logic Based Approach for Data Classification,” Data Eng. Intell. Comput. Adv. Intell. Syst. Comput., pp. 605–616, 2018, doi: 10.1007/978-981-10-3223-3.
[9] R. Longadge, S. S. Dongre, and L. Malik, “Class imbalance problem in data mining: review,” Int. J. Comput. Sci. Netw., vol. 2, no. 1, pp. 83–87, 2013, doi: 10.1109/SIU.2013.6531574.
[10] K. Kowsari, N. Bari, R. Vichr, and F. A. Goodarzi, “FSL-BM : Fuzzy Supervised Learning with Binary Meta-Feature for Classification,” no. April, 2018.
[11] A. Fauzi, R. Supriyadi, and N. Maulidah, “Deteksi Penyakit Kanker Payudara dengan Seleksi Fitur berbasis Principal Component Analysis dan Random Forest,” J. Infortech, vol. 2, no. 1, 2020.
[12] F. S. Nugraha, M. J. Shidiq, and S. Rahayu, “Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Kanker Payudara,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 149–156, 2019, doi: 10.33480/pilar.v15i2.601.
[13] A. S. P. Angayarkanni and N. B. Kamal, “MRI mammogram image classification using ID3 algorithm,” IET Conf. Publ., vol. 2012, no. 600 CP, pp. 1–5, 2012, doi: 10.1049/cp.2012.0464.
[14] G. Saad, A. Khadour, and Q. Kanafani, “ANN and Adaboost application for automatic detection of microcalcifications in breast cancer,” Egypt. J. Radiol. Nucl. Med., vol. 47, no. 4, pp. 1803–1814, 2016, doi: 10.1016/j.ejrnm.2016.08.020.
[15] R. Matteo and V. Giorgio, Ensemble methods: a review. 2001.
[16] D. Lavanya and K. Usha Rani, “ENSEMBLE DECISION TREE CLASSIFIER FOR BREAST CANCER DATA,” Int. J. Inf. Technol. Converg. Serv., vol. 2, no. 1, pp. 12–24, 2012, doi: 10.5121/ijitcs.2012.2103.
[17] E. L. Allwein, R. E. Schapire, and Y. Singer, “Reducing Multiclass to Binary,” J. Mach. Learn. Res., vol. 1, pp. 113–141, 2000, doi: 10.1002/9783527677320.ch16.
[18] R. E. Schapire, Y. Freund, P. Bartlett, and W. S. Lee, “Boosting the margin: A new explanation for the effectiveness of voting methods,” Ann. Stat., vol. 26, no. 5, pp. 1651–1686, 1998, doi: 10.1214/aos/1024691352.
[19] L. Breiman, “Bias, Variance, and Arcing Classifiers,” 1996.
[20] X. Zhu, J. Hu, T. Xiao, S. Huang, Y. Wen, and D. Shang, “An interpretable stacking ensemble learning framework based on multi-dimensional data for real-time prediction of drug concentration: The example of olanzapine,” Front. Pharmacol., vol. 13, no. September, pp. 1–20, 2022, doi: 10.3389/fphar.2022.975855.
[21] L. Breiman, RANDOM FORESTS. 2001, pp. 1–33.
[22] L. Breiman, “Bagging predictors,” Mach. Learn., vol. 24, no. 2, pp. 123–140, 1996, doi: 10.1023/A:1018054314350.
[23] R. E. Schapire and Y. Freund, “A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting,” J. Comput. Syst. Sci., vol. 55, pp. 119–139, 1997, doi: 10.1145/2818346.2823306.
[24] S. Chatterjee and Y.-C. Byun, “EEG-Based Emotion Classification Using Stacking Ensemble Approach,” Sensors, vol. 22, no. 21, p. 8550, 2022, doi: 10.3390/s22218550.
[25] M. Sharifmoghadam and H. Jazayeriy, “Breast Cancer Classification Using AdaBoost- Extreme Learning Machine,” in 5th Iranian Conference on Signal Processing and Intelligent Systems, ICSPIS 2019, 2019, no. December, pp. 1–5, doi: 10.1109/ICSPIS48872.2019.9066088.
[26] A. Buja and W. Stuetzle, “Observations on bagging,” Stat. Sin., vol. 16, no. 2, pp. 323–351, 2006.
[27] N. Arsov, M. Pavlovski, and L. Kocarev, “Stacking and stability,” Arxiv, 2019,
[Online]. Available: http://arxiv.org/abs/1901.09134.
[28] M. L. Petersen, A. M. Molinaro, S. E. Sinisi, and M. J. van der Laan, “Cross-validated bagged learning,” J. Multivar. Anal., vol. 98, no. 9, pp. 1693–1704, 2007, doi: 10.1016/j.jmva.2007.07.004.
[29] V. Chaurasia and S. Pal, “Applications of Machine Learning Techniques to Predict Diagnostic Breast Cancer,” SN Comput. Sci., vol. 1, no. 5, 2020, doi: 10.1007/s42979-020-00296-8.
[30] R. Surendiran, M. Thangamani, C. Narmatha, and M. Iswarya, “Effective Autism Spectrum Disorder Prediction to Improve the Clinical Traits using Machine Learning Techniques,” Int. J. Eng. Trends Technol., vol. 70, no. 4, pp. 343–359, 2022, doi: 10.14445/22315381/IJETT-V70I4P230.
[31] S. Janitza and R. Hornung, “On the overestimation of random forest ’ s out-of-bag error,” PLoS One, vol. 13, no. 8, pp. 1–31, 2018,
[Online]. Available: https://doi.org/10.1371/journal.pone.0201904 August.
[32] N. Khuriwal and N. Mishra, “Breast Cancer Diagnosis Using Deep Learning Algorithm,” in Proceedings - IEEE 2018 International Conference on Advances in Computing, Communication Control and Networking, ICACCCN 2018, 2018, pp. 98–103, doi: 10.1109/ICACCCN.2018.8748777.
[33] C. Tu, H. Liu, and B. Xu, “AdaBoost typical Algorithm and its application research,” MATEC Web Conf., vol. 139, no. 00222, 2017, doi: 10.1051/matecconf/201713900222.
[34] B. Pan, “Application of XGBoost algorithm in hourly PM2.5 concentration prediction,” IOP Conf. Ser. Earth Environ. Sci., vol. 113, no. 1, 2018, doi: 10.1088/1755-1315/113/1/012127.
[35] T. Chen and C. Guestrin, “XGBoost: A Scalable Tree Boosting System,” in KDD ’16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, pp. 785–794, doi: doi/10.1145/2939672.2939785.
[36] P. Zhang, Y. Jia, and Y. Shang, “Research and application of XGBoost in imbalanced data,” Int. J. Distrib. Sens. Networks, vol. 18, no. 6, 2022, doi: 10.1177/15501329221106935.
[37] A. Ibrahem Ahmed Osman, A. Najah Ahmed, M. F. Chow, Y. Feng Huang, and A. El-Shafie, “Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia,” Ain Shams Eng. J., vol. 12, no. 2, pp. 1545–1556, 2021, doi: 10.1016/j.asej.2020.11.011.
[38] Q. Li, H. Yang, P. Wang, X. Liu, K. Lv, and M. Ye, “XGBoostbased and tumor-immune characterised gene signature for the prediction of metastatic status in breast cancer,” J. Transl. Med., vol. 20, no. 1, pp. 1–12, 2022, doi: 10.1186/s12967-022- 03369-9.
[39] M. C. Tu, D. Shin, and D. Shin, “A Comparative Study of Medical Data Classification Methods Based on Decision Tree and Bagging Algorithms,” in Eighth IEEE International Conference on Dependable, Autonomic and Secure Computing, 2009, pp. 183–187, doi: 10.1109/DASC.2009.40.
[40] G. Tuysuzoglu and D. Birant, “Enhanced bagging (eBagging): A novel approach for ensemble learning,” Int. Arab J. Inf. Technol., vol. 17, no. 4, pp. 515–528, 2020, doi: 10.34028/iajit/17/4/10.
[41] N. F. Idris and M. A. Ismail, “The study of cross-validated bagging fuzzy-ID3 algorithm for breast cancer classification,” J. Intell. Fuzzy Syst., vol. 43, no. 3, pp. 2567–2577, 2022,
[Online]. Available: 10.3233/JIFS-212842.
[42] M. Al Diabat and N. Al-Shanableh, “Ensemble Learning Model for Screening Autism in Children,” Int. J. Comput. Sci. Inf. Technol., vol. 11, no. 02, pp. 45–62, 2019, doi: 10.5121/ijcsit.2019.11205.
[43] S. Kabiraj et al., “Breast Cancer Risk Prediction using XGBoost and Random Forest Algorithm,” 2020 11th Int. Conf. Comput. Commun. Netw. Technol. ICCCNT 2020, pp. 1–4, 2020, doi: 10.1109/ICCCNT49239.2020.9225451.
[44] J. Ali, R. Khan, N. Ahmad, and I. Maqsood, “Random Forests and Decision Trees,” no. September, 2012.
[45] F. Thabtah and D. Peebles, “A new machine learning model based on induction of rules for autism detection,” Health Informatics J., vol. 26, no. 1, pp. 264–286, 2020, doi: 10.1177/1460458218824711.
[46] M. M. Baig, M. M. Awais, and E. S. M. El-Alfy, “AdaBoostbased artificial neural network learning,” Neurocomputing, vol. 248, pp. 120–126, 2017, doi: 10.1016/j.neucom.2017.02.077.
[47] A. Vezhnevets and O. Barinova, “Avoiding boosting overfitting by removing confusing samples,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 4701 LNAI, pp. 430–441, 2007, doi: 10.1007/978-3-540-74958-5_40.
[48] Y. Zhao and M. K. Hryniewicki, “XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning,” Proc. Int. Jt. Conf. Neural Networks, vol. 2018-July, 2018, doi: 10.1109/IJCNN.2018.8489605.
[49] C. Bentéjac, A. Csörgő, and G. Martínez-Muñoz, “A Comparative Analysis of XGBoost,” no. November 2019, 2019, doi: 10.1007/s10462-020-09896-5.
[50] X. Y. Liew, N. Hameed, and J. Clos, “An investigation of XGBoost-based algorithm for breast cancer classification,” Mach. Learn. with Appl., vol. 6, no. August, p. 100154, 2021, doi: 10.1016/j.mlwa.2021.100154

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-1 , nr katalogowy 147101 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-1 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-10 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-11 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł
PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-12 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-1

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma