Resumen

El diagnóstico temprano del cáncer de mama es un paso importante en la lucha contra la enfermedad. Las técnicas de aprendizaje automático han demostrado prometer en mejorar nuestra comprensión de la enfermedad. Dado que los conjuntos de datos médicos consisten en puntos de datos que no pueden asignarse precisamente a una clase, los métodos difusos han sido útiles para el estudio de estos conjuntos de datos. A veces, los conjuntos de datos de cáncer de mama se describen por características categóricas. Se han desarrollado muchos algoritmos de agrupamiento difuso para conjuntos de datos categóricos. Sin embargo, en la mayoría de estos métodos se utiliza la distancia de Hamming para definir la distancia entre los dos valores de características categóricas. En este artículo, utilizamos una medida de distancia probabilística para el cálculo de la distancia entre un par de valores de características categóricas. Los experimentos demuestran que la medida de distancia funciona mejor que la distancia de Hamming para los datos de cáncer de mama de Wisconsin.

• Materias:Enfermeras Método espectrofotométrico Estructuras biomecánicas Timpanoplastia Efecto antiplasmodial
• Subjects:Nurses Spectrophotometric method Biomechanical structures Tympanoplasty Antiplasmodial effect
• Palabras claves:Diagnóstico; Cáncer de mama; Aprendizaje automático; Métodos difusos; Características categóricas; Medida de distancia
• Keywords:Diagnosis; Breast cancer; Machine learning; Fuzzy methods; Categorical features; Distance measure