| Revue: | Revista ingeniería solidaria |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000432949 |
| ISSN: | 2357-6014 |
| Autores: | Agrawal, Rashmi1 |
| Instituciones: | 1Manav Rachna International Institute of Research and Studies, Faridabad, Haryana. India |
| Año: | 2019 |
| Periodo: | Sep |
| Volumen: | 15 |
| Número: | 3 |
| País: | Colombia |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | El presente artículo es parte de un esfuerzo para predecir el cáncer de seno, lo cual es una preocupación seria para la salud de las mujeres. Problema: el cáncer de mama es el tipo más común de cáncer y siempre ha sido una amenaza para la vida de las mujeres. El diagnóstico precoz requiere un método efectivo para predecir el cáncer que permita a los médicos distinguir el cáncer benigno y el maligno. Investigadores y científicos han estado tratando de encontrar métodos innovadores para predecir el cáncer. Objetivo: el objetivo de esta investigación es el análisis predictivo del cáncer de seno utilizando diversas técnicas de aprendizaje automático, como el método Naïve Bayes, el análisis discriminante lineal, K-Nearest Neighbors y el método de máquina de vectores de apoyo. Metodología: la minería de datos predictivos se ha convertido en un instrumento para científicos e investigadores en el campo de la medicina. La predicción del cáncer de mama en una etapa temprana ayuda a una mejor cura y tratamiento. KDD (Knowledge Discovery in Databases) es uno de los métodos de minería de datos más populares utilizados por los investigadores médicos para identificar los patrones y la relación entre las variables y también ayuda a predecir el resultado de la enfermedad en función de los datos históricos de los conjuntos de datos. Resultados: para seleccionar el mejor modelo para la predicción del cáncer, se estimará la precisión de todos los modelos y se seleccionará el mejor modelo. Conclusión: este trabajo busca predecir la mejor técnica con la mayor precisión para el cáncer de seno. Originalidad: esta investigación se realizó utilizando R y el conjunto de datos tomado del repositorio de aprendizaje automático UCI. Limitaciones: la falta de información exacta proporcionada por los datos |
| Resumen en inglés | The present article is part of the effort to predict breast cancer which is a serious concern for women’s health.Problem: Breast cancer is the most common type of cancer and has always been a threat to women’s lives. Early diagnosis requires an effective method to predict cancer to allow physicians to distinguish benign and malicious cancer. Researchers and scientists have been trying hard to find innovative methods to predict cancer. Objective: The objective of this paper will be predictive analysis of breast cancer using various machine learning techniques like Naïve Bayes method, Linear Discriminant Analysis, K-Nearest Neighbors and Support Vector Machine method. Methodology: Predictive data mining has become an instrument for scientists and researchers in the medical field. Predicting breast cancer at an early stage helps in better cure and treatment. KDD (Knowledge Discovery in Databases) is one of the most popular data mining methods used by medical researchers to identify the patterns and the relationship between variables and also helps in predicting the outcome of the disease based upon historical data of datasets. Results:To select the best model for cancer prediction, accuracy of all models will be estimated and the best model will be selected.Conclusion: This work seeks to predict the best technique with highest accuracy for breast cancer.Originality: This research has been performed using R and the dataset taken from UCI machine learning re-pository.Limitations: The lack of exact information provided by data |
| Resumen en portugués | O presente artigo é parte de um esforço para prognosticar o câncer de mama, que é uma séria questão para a saúde da mulher. Problema: o câncer de mama é o tipo mais comum de câncer e sempre foi uma ameaça à vida das mulheres. Um diagnóstico precoce requer um método efetivo para prognosticar o câncer e permitir que os médicos dis-tingam se é benigno ou maligno. Os pesquisadores e cientistas têm tentado encontrar métodos inovadores para prognosticar o câncer.Objetivo: o objetivo deste artigo é a análise preditiva do câncer de mama a partir do uso de várias técnicas de aprendizado de máquina, como o método Naïve Bayes, a Análise Discriminante Linear, o Método dos Vizinhos mais Próximos (k-NN) e o método de Máquina de Vetores de Suporte. Metodologia: a coleta de dados preditiva se tornou um instrumento para cientistas e pesquisadores na área médica. Prognosticar o câncer de mama em estágio inicial ajuda na cura e no tratamento. A extração de con-hecimentos de bases de dados (Knowledge Discovery in Databases ou KDD) é um dos métodos mais populares de extração de dados usado pelos médicos pesquisadores para identificar os padrões e as relações entre variáveis e ajuda na previsão do efeito da doença com base no histórico de informações de bases de dados.Resultados: para escolher o melhor modelo para o prognóstico de câncer, a precisão de todos os modelos será estimada e o melhor modelo será selecionado.Conclusão: o presente trabalho busca prever a melhor técnica com a precisão mais alta para o câncer de mama.Originalidade: esta pesquisa foi realizada com R e o conjunto de dados recolhido do repositório da máquina de aprendizado da UCI (Universidade da Califórnia em Irvine). Limitações: a falta de informação exata fornecida pelos dados |
| Disciplinas: | Ciencias de la computación, Medicina |
| Palabras clave: | Oncología, Diagnóstico, Procesamiento de datos, Cáncer, Mama, Diagnóstico temprano, Análisis predictivo, Aprendizaje de máquinas, Vectores de apoyo, Análisis discriminante lineal |
| Keyword: | Oncology, Diagnosis, Data processing, Cancer, Breast, Early diagnosis, Predictive analysis, Machine learning, Support vectors, Linear discriminant analysis |
| Texte intégral: | https://revistas.ucc.edu.co/index.php/in/article/view/2927/2724 |
