선진국형 질병으로만 알려져 있던 유방암이 우리나라 현대 여성들에게 발병률이 꾸준히 증가하고 있다. 유방암은 보통 50대 이상의 여성에서 발병하는 병으로 알려져 있지만 우리나라의 경우 40대의 서양보다 젊은 여성들에게 발병률이 꾸준히 증가하고 있다. 따라서 우리나라 성인여성을 기준으로 유방암에 대한 정확한 진단을 할 수 있는 매뉴얼을 구축하는 것이 시급한 과제이다. 본 논문에서는 데이터마이닝기법을 이용하여 유방암을 예측하는 방법을 제시한다. 데이터마이닝이란 데이터베이스 내에 숨어 있는 일정한 패턴이나 변수들 간의 관계를 정교한 분석모형을 이용하여 쉽게 드러나지 않은 유용한 정보를 찾아내는 과정을 말한다. 실험을 통하여 Deicion Tree와 Naive Bayes분석기법을 사용하여 유방암을 진단하는 분석기법을 비교분석을 하였다. Deicison Tree는 C4.5 알고리즘을 적용하여 분석하였고 두 알고리즘이 상당히 좋은 분류 정확도를 나타냈다. 그러나 Naive Bayes 분류방법이 Decision Tree방법보다 더 상회하는 정확도를 보였고 이는 의료데이터의 특성에 많이 기인한다고 볼 수 있다.
선진국형 질병으로만 알려져 있던 유방암이 우리나라 현대 여성들에게 발병률이 꾸준히 증가하고 있다. 유방암은 보통 50대 이상의 여성에서 발병하는 병으로 알려져 있지만 우리나라의 경우 40대의 서양보다 젊은 여성들에게 발병률이 꾸준히 증가하고 있다. 따라서 우리나라 성인여성을 기준으로 유방암에 대한 정확한 진단을 할 수 있는 매뉴얼을 구축하는 것이 시급한 과제이다. 본 논문에서는 데이터마이닝기법을 이용하여 유방암을 예측하는 방법을 제시한다. 데이터마이닝이란 데이터베이스 내에 숨어 있는 일정한 패턴이나 변수들 간의 관계를 정교한 분석모형을 이용하여 쉽게 드러나지 않은 유용한 정보를 찾아내는 과정을 말한다. 실험을 통하여 Deicion Tree와 Naive Bayes 분석기법을 사용하여 유방암을 진단하는 분석기법을 비교분석을 하였다. Deicison Tree는 C4.5 알고리즘을 적용하여 분석하였고 두 알고리즘이 상당히 좋은 분류 정확도를 나타냈다. 그러나 Naive Bayes 분류방법이 Decision Tree방법보다 더 상회하는 정확도를 보였고 이는 의료데이터의 특성에 많이 기인한다고 볼 수 있다.
Breast cancer is known as a disease that occurs in a lot of developed countries. However, in recent years, the incidence of Korea's modern woman is increased steadily. As well known, breast cancer usually occurs in women over 50. In the case of Korea, however, the incidence of 40s with young women i...
Breast cancer is known as a disease that occurs in a lot of developed countries. However, in recent years, the incidence of Korea's modern woman is increased steadily. As well known, breast cancer usually occurs in women over 50. In the case of Korea, however, the incidence of 40s with young women is increased steadily than the West. Therefore, it is a very urgent task to build a manual to the accurate diagnosis of breast cancer in adult women in Korea. In this paper, we show how using data mining techniques to predict breast cancer. Data mining refers to the process of finding regular patterns or relationships among variables within the database. To this, sophisticated analysis using the model, you will find useful information that is easily revealed. In this paper, through experiments Deicion Tree Naive Bayes analysis techniques were compared using analysis techniques to diagnose breast cancer. Two algorithms was analyzed by applying C4.5 algorithm. Deicison Tree classification accuracy was fairly good. Naive Bayes classification method showed better accuracy compared to the Decision Tree method.
Breast cancer is known as a disease that occurs in a lot of developed countries. However, in recent years, the incidence of Korea's modern woman is increased steadily. As well known, breast cancer usually occurs in women over 50. In the case of Korea, however, the incidence of 40s with young women is increased steadily than the West. Therefore, it is a very urgent task to build a manual to the accurate diagnosis of breast cancer in adult women in Korea. In this paper, we show how using data mining techniques to predict breast cancer. Data mining refers to the process of finding regular patterns or relationships among variables within the database. To this, sophisticated analysis using the model, you will find useful information that is easily revealed. In this paper, through experiments Deicion Tree Naive Bayes analysis techniques were compared using analysis techniques to diagnose breast cancer. Two algorithms was analyzed by applying C4.5 algorithm. Deicison Tree classification accuracy was fairly good. Naive Bayes classification method showed better accuracy compared to the Decision Tree method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 서구의 유방암 지침과 다른 한국 현실에 맞는 유방암에 관리 지침서를 통한 관리가 필요하다[2, 3]. 본 논문에서는 weka 소프트웨어를 사용하여 실험하였으며, Decision Tree와 Naive bayes 2가지의 분류방법을 사용하여 어떤 분석방법이 유방암을 진단하는데 더 정확한지에 대하여 비교분석을 목적으로 실험한다.
제안 방법
데이터마이닝은 방대한 자료 속에서 의미 있는 정보를 추출해내는 과정이라고 할 수 있다. 본 논문에서는 실험을 통하여 Deicion Tree와 Naive Bayes 분석기법을 사용하여 유방암을 진단하는 분석기법을 비교분석을 하였다. 본 실험에서 사용한 Deicison Tree는 C4.
제안하는 Decision Tree, Naive Bayes 분류는 weka 소프트웨어를 이용하여 실험하였다.
대상 데이터
분석에 사용된 데이터는 UCI에서 제공하는 유방암진단에 관한 데이터 699개를 사용하였고, 11개의 속성을 바탕으로 분석하였다. 표 1은 데이터 속성들을 표로 설명하고 있다.
이론/모형
표 1은 데이터 속성들을 표로 설명하고 있다. 나무 모형의 크기를 결정하는 방법으로는 교차결정방법(cross-validation)을 사용하여 결정하였고 이에 따른 나무의 크기는 27이고, 트리의 리프(leaves) 개수는 14개로 이루어져 있다. Tree 분석의 정확도는 94.
본 논문의 분석을 위하여 C4.5 알고리즘을 적용하였다. C4.
본 논문에서는 실험을 통하여 Deicion Tree와 Naive Bayes 분석기법을 사용하여 유방암을 진단하는 분석기법을 비교분석을 하였다. 본 실험에서 사용한 Deicison Tree는 C4.5 알고리즘을 적용하여 분석한다[4, 5].
성능/효과
5637%로 나타나고 있다. Naive Bayes로 실험했을 때 Cross-Validation은 10으로 두고 실험하였다 그 결과 정확도는 671/699, 95,9943%로 Decision Tree로 실험했을 때 보다는 약 1% 정도 높은 정확도를 보여주고 있다. 다음 표 2는 정확도와 부정확도 그리고 오분류 Instance의 개수를 표로 보여주고 있다.
나무 모형의 크기를 결정하는 방법으로는 교차결정방법(cross-validation)을 사용하여 결정하였고 이에 따른 나무의 크기는 27이고, 트리의 리프(leaves) 개수는 14개로 이루어져 있다. Tree 분석의 정확도는 94.5637%이고, 오분류율(misclassified rate)은 5,4363%로 분석되었다.
본 논문의 실험은 동일한 유방암 진단에 대한 데이터에 대하여 Decision Tree에는 C4.5 알고리즘을 적용하여 실험하였고 Naive Bayes에서는 CrossValidation을 10으로 두고 실험한 결과 Decision Tree의 정확도는 94.5637%, Naive Bayes의 정확도는 95.9943%로 약 1%의 미세한 차이로 Naive Bayes를 통한 분류가 더 정확하다는 결론을 얻었다. 약 1%의 차이로 Naive Bayes를 통한 분류가 더 정확하다고 판단하기 어렵지만, 의료문제에서는 1%의 확률로도 암을 진단하는데 매우 중요하므로 1%도 간과 할 수 없다고 판단하여 Naive Bayes 분류방법이 더 정확하다는 결론을 내렸다.
9943%로 약 1%의 미세한 차이로 Naive Bayes를 통한 분류가 더 정확하다는 결론을 얻었다. 약 1%의 차이로 Naive Bayes를 통한 분류가 더 정확하다고 판단하기 어렵지만, 의료문제에서는 1%의 확률로도 암을 진단하는데 매우 중요하므로 1%도 간과 할 수 없다고 판단하여 Naive Bayes 분류방법이 더 정확하다는 결론을 내렸다. 향후에는 Decision Tree와 Naive Bayes에 다른 알고리즘을 적용하여 정확도를 높일 수 있는 방법을 고찰할 필요가 있다.
후속연구
약 1%의 차이로 Naive Bayes를 통한 분류가 더 정확하다고 판단하기 어렵지만, 의료문제에서는 1%의 확률로도 암을 진단하는데 매우 중요하므로 1%도 간과 할 수 없다고 판단하여 Naive Bayes 분류방법이 더 정확하다는 결론을 내렸다. 향후에는 Decision Tree와 Naive Bayes에 다른 알고리즘을 적용하여 정확도를 높일 수 있는 방법을 고찰할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
Naive Bayes분류는 무엇인가?
Naive Bayes분류는 지도학습(Supervised Learning)을 사용한 간단한 분류 중 하나이다. 이 분류는 베이즈 룰(Bayes' rule)을 기본적으로 사용하고 있다. 베이즈 룰을 사용하는 가장 큰 이유는 조건부 확률을 구할 때 베이즈 룰을 이용할 때 더욱 손쉽게 값을 구할 수 있기 때문이다 분류를 위해 d를 입력값, c를 분류한 class중 하나라고 가정했을 때, 이는 나이브 룰로 아래와 같이 나타낸다.
베이즈 룰을 사용하는 가장 큰 이유는 무엇인가?
이 분류는 베이즈 룰(Bayes' rule)을 기본적으로 사용하고 있다. 베이즈 룰을 사용하는 가장 큰 이유는 조건부 확률을 구할 때 베이즈 룰을 이용할 때 더욱 손쉽게 값을 구할 수 있기 때문이다 분류를 위해 d를 입력값, c를 분류한 class중 하나라고 가정했을 때, 이는 나이브 룰로 아래와 같이 나타낸다.
Decision Tree의 분석 결과는 어떻게 표현되고 이에 따른 장점은 무엇인가?
Decision Tree는 의사결정 규칙을 도표화하여 관심 대상이 되는 집단을 몇 개의 소집단으로 분류하거나 예측을 수행하는 계량적인 분석방법을 말한다. 분석 결과는 ‘조건이 A이고 조건이 B이면 결과집단 C’라는 형태의 규칙으로 표현되므로 분류 또는 예측을 목적으로 하는 다른 계량적 분석방법에 비해 쉽게 이해할 수 있다는 장점이 있다[6].
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.