[论文解读] Evaluation of Predictive Data Mining Algorithms in Erythemato-Squamous Disease Diagnosis

Kwetishe Joro Danjuma, Adenike Osofisan|arXiv (Cornell University)|Jan 3, 2015

Artificial Intelligence in Healthcare参考文献 43被引用 19

一句话总结

本研究使用366例患者的临床数据集，评估了朴素贝叶斯、多层感知机和J48决策树算法在诊断红斑性脱屑疾病方面的表现。通过10折交叉验证，朴素贝叶斯算法取得了97.4%的最高准确率，优于多层感知机（96.6%）和J48（93.5%），表明其在临床数据挖掘应用中具有更优的预测性能。

ABSTRACT

A lot of time is spent searching for the most performing data mining algorithms applied in clinical diagnosis. The study set out to identify the most performing predictive data mining algorithms applied in the diagnosis of Erythemato-squamous diseases. The study used Naive Bayes, Multilayer Perceptron and J48 decision tree induction to build predictive data mining models on 366 instances of Erythemato-squamous diseases datasets. Also, 10-fold cross-validation and sets of performance metrics were used to evaluate the baseline predictive performance of the classifiers. The comparative analysis shows that the Naive Bayes performed best with accuracy of 97.4%, Multilayer Perceptron came out second with accuracy of 96.6%, and J48 came out the worst with accuracy of 93.5%. The evaluation of these classifiers on clinical datasets, gave an insight into the predictive ability of different data mining algorithms applicable in clinical diagnosis especially in the diagnosis of Erythemato-squamous diseases.

研究动机与目标

• 识别在诊断红斑性脱屑疾病方面最有效的预测数据挖掘算法。
• 评估朴素贝叶斯、多层感知机和J48分类器在366例红斑性脱屑疾病临床数据集上的性能。
• 通过标准化性能指标和10折交叉验证，比较这些算法的预测准确率。
• 为数据挖掘技术在复杂皮肤病临床诊断中的应用提供见解。

提出的方法

• 本研究采用包含366例红斑性脱屑疾病病例的数据集，用于模型训练与评估。
• 对三种预测性数据挖掘算法——朴素贝叶斯、多层感知机和J48决策树——在该数据集上进行了训练与测试。
• 采用10折交叉验证，以确保所有分类器的性能估计均稳健且无偏。
• 通过准确率、精确率、召回率和F1值等标准指标评估性能，以比较分类器的有效性。
• 使用标准机器学习框架实现模型，将各折结果汇总以确定整体性能。
• 开展对比分析，根据预测准确率和一致性对分类器进行排序。

实验结果

研究问题

• RQ1 在朴素贝叶斯、多层感知机和J48中，哪种数据挖掘算法在红斑性脱屑疾病的诊断中表现出最高的准确率？
• RQ2 当应用于366例真实临床数据集时，这些分类器的性能指标如何比较？
• RQ3 在10折交叉验证下，各算法的相对稳定性和可靠性如何？
• RQ4 与传统方法相比，数据挖掘技术能否显著提高红斑性脱屑疾病的诊断准确率？

主要发现

• 朴素贝叶斯在诊断红斑性脱屑疾病中取得了97.4%的最高准确率，是三种测试算法中表现最佳的。
• 多层感知机表现出色，准确率达到96.6%，在预测能力上排名第二。
• J48决策树在三者中准确率最低，为93.5%，表明其在该数据集上的泛化能力较弱。
• 对比分析证实，朴素贝叶斯在该临床数据集中提供了最可靠的预测性能。
• 三种算法均表现出较高的整体准确率，表明数据挖掘在皮肤病诊断中具有强大潜力。
• 结果表明，算法选择显著影响诊断性能，朴素贝叶斯是该特定数据集的最优选择。