基于改进进化聚类算法星（iECA*）的 COVID-19 患者与医学疾病状态新型聚类检测
神经与进化计算
2021-09-21 v1 计算机与社会
定量方法
摘要
随着样本数量增加，COVID-19 与医学疾病数据样本的手动聚类变得耗时且需要高技能劳动力。近来，若干算法已被确定性地用于医学数据集聚类；然而，这些定义在医学疾病分组与分析上并不有效。使用进化聚类算法或有助于有效聚类这些疾病。基于此假设，我们以三种方式改进当前的进化聚类算法星（ECA*），称为 iECA*：（i）利用肘部法寻找正确聚类数；（ii）作为 iECA* 的一部分清洗与处理数据，以将其应用于多变量与领域理论数据集；（iii）将 iECA* 用于聚类 COVID-19 与医学疾病数据集的实际应用。实验使用性能与验证度量（验证度量、统计基准测试与性能排序框架）检验了 iECA* 相对于最先进算法的性能。结果展示了三个主要发现。第一，依据聚类验证准则，iECA* 在所选医学疾病数据集的分组上优于其他算法。第二，与被分析的当前聚类方法相比，iECA* 对所有数据集聚类时展现出更低的执行时间与内存消耗。第三，提出了一个操作框架，用于对所分析数据集中 iECA* 相对于其他算法的有效性评级，结果表明 iECA* 在所有医学数据集聚类中表现最佳。相较于进化算法，需在含复杂知识领域的实际多维数据上开展进一步研究以实验验证 iECA*。
引用
@article{arxiv.2109.09492,
title = {A Novel Cluster Detection of COVID-19 Patients and Medical Disease Conditions Using Improved Evolutionary Clustering Algorithm Star},
author = {Bryar A. Hassan and Tarik A. Rashid and Hozan K. Hamarashid},
journal= {arXiv preprint arXiv:2109.09492},
year = {2021}
}