ADABOOST Ensemble Algorithms for Breast Cancer Classification
With advances in technologies, different tumor features have been collected for Breast Cancer (BC) diagnosis. The process of dealing with large data set suffers some challenges which include high storage capacity and time required for accessing and processing. The objective of this paper is to classify BC based on the extracted tumor features and to develop an ADABOOST ensemble Model to extract useful information and diagnose the tumor. In this research work, both homogeneous and heterogeneous ensemble classifiers (combining two different classifiers together) were implemented, and Synthetic Minority Over-Sampling Technique (SMOTE) data mining pre-processing is used to deal with the class imbalance problem and noise in the dataset. In this paper, the proposed method involve two steps. The first step employs SMOTE to reduce the effect of data imbalance in the dataset. The second step involves classifying using decision algorithms (ADTree, CART, REPTree and Random Forest), Naïve Bayes and their Ensembles. The experiment was implemented on WEKA Explore (Weka 3.6). Experimental results show that ADABOOST-Random forest classifies better than other classification algorithms with 82.52% accuracy, followed by Random Forest-CART with 72.73% accuracy while Naïve Bayes classification is the lowest with 35.70% accuracy.
Article Type:
Research/Original Article
Journal of Advances in Computer Research, Volume:10 Issue: 2, 2019
31 - 52  
برخی از خدمات از جمله دانلود متن مقالات تنها به مشترکان مگیران ارایه می‌گردد. شما می‌توانید به یکی از روش‌های زیر مشترک شوید:
اشتراک شخصی
در سایت عضو شوید و هزینه اشتراک یک‌ساله سایت به مبلغ 300,000ريال را پرداخت کنید. همزمان با برقراری دوره اشتراک بسته دانلود 100 مطلب نیز برای شما فعال خواهد شد!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی همه کاربران به متن مطالب خریداری نمایند!
  • دسترسی به متن مقالات این پایگاه در قالب ارایه خدمات کتابخانه دیجیتال و با دریافت حق عضویت صورت می‌گیرد و مگیران بهایی برای هر مقاله تعیین نکرده و وجهی بابت آن دریافت نمی‌کند.
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.