Stream Data Classification Using Improved Fisher Discriminate Analysis

Chen, Ling; Zou, Lingjun; Tu, Li

doi:10.4304/jcp.4.3.208-214

Cited by 5 publications

(3 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…' << , which is highly dimensional and so the dimensionality of the matrix is reduced using LPP. The LPP is a linear dimensionality reduction algorithm that shares most of the properties of data representation of nonlinear techniques, namely, locally linear Embedding or Laplacian Eigenmaps (Chen, 2009). The LPP procedure for dimensionality reduction constitutes of three steps, namely, (1) generation of Distance matrix (2) determining adjacency matrix and (3) Calculating dimensionality reduced matrix.…”

Section: Dimensionality Reduction By Lppmentioning

confidence: 99%

Efficient Retrieval Technique for Microarray Gene Expression

Salome¹

2012

International Journal of Information Retrieval Research

View full text Add to dashboard Cite

The DNA mciroarray gene data is in the expression levels of thousands of genes for a small amount of samples. From the microarray gene data, the process of extracting the required knowledge remains an open challenge. Acquiring knowledge is the intricacy in such types of gene data, though number of researches is arising in order to acquire information from these gene data. In order to retrieve the required information, gene classification is vital; however, the task is complex because of the data characteristics, high dimensionality and smaller sample size. Initially, the dimensionality diminution process is carried out in order to shrink the microarray data without losing information with the aid of LPP and PCA techniques and utilized for information retrieval. In this paper, we propose an effective gene retrieval technique based on LPP and PCA called LPCA. The technique like LPP and PCA is chosen for the dimensionality reduction for efficient retrieval of microarray gene data. An application of microarray gene data is included with classification by SVM. SVM is trained by the dimensionality reduced gene data for effective classification. A comparative study is made with these dimensionality reduction techniques.

show abstract

Section: Dimensionality Reduction By Lppmentioning

confidence: 99%

Efficient Retrieval Technique for Microarray Gene Expression

Salome¹

2012

International Journal of Information Retrieval Research

View full text Add to dashboard Cite

show abstract

“…O problema de classificação em FCD pode ser definido da seguinte forma (Chen et al, 2009). Assuma que o FCD consiste em uma sequência de exemplos, sendo que cada exemplo consiste em um conjunto de d atributos.…”

Section: Classificação Em Fcdunclassified

“…De acordo com Aggarwal (2006), o desafio mais importante encontrado na classificação em FCD está relacionado à mudança de conceito, ou seja, a evolução dos dados ao longo do tempo. Para Chen et al (2009), o principal impulsionador da mineração de FCD no contexto de classificação é a exigência de uma única varredura nos dados. Assim, é impossível usar os algoritmos convencionais de classificação que assumem que os dados cabem na memória, fazem várias varredura sobre os dados e criam modelos de decisão estáticos.…”

Section: Classificação Em Fcdunclassified

Detecção de novidade em fluxos contínuos de dados multiclasse

Faria¹

View full text Add to dashboard Cite

Meus agradecimentos às pessoas que contribuíram para a realização deste trabalho. Ao prof. André Carvalho agradeço por ter me aceitado como sua aluna de doutorado. Mesmo sabendo que eu seria uma aluna de dedicação parcial ele nunca colocou nenhum empecilho em me orientar. Nos momentos de maior dificuldade, nos quais eu não conseguia render quase nada, e me sentia totalmente impotente, ele estava sempre me incentivando. Qualquer pequeno avanço no trabalho era sempre comemorado por ele. Dentre as suas características as que mais se destacaram para mim é a humildade, o bom relacionamento com os alunos, educação e facilidade de trabalho em grupo. Agradeço pela paciência na leitura dos meus textos, por responder meus emails tão rapidamente e por me atender tão prontamente quando eu precisava. Ao prof. João Gama agradeço por ter aceitado ser meu co-orientador e por ter me recebido tão bem nas duas vezes que estive em Portugal. O prof. João teve um papel muito importante neste trabalho, com sua experiência e conhecimentos na área. Sem dúvida este trabalho não seria o mesmo sem a sua orientação. Ele é aquele tipo de pessoa que queremos sempre conversar, transmite sabedoria, certeza e convicção nas sua ideias. Ele tem o dom de transformar assuntos complicados em definições simples. Aos professores e técnicos que me ajudaram nesta caminhada. Sem dúvida o ICMC é um centro de excelência e me sinto muito feliz por ter conhecido e participado desse instituto. Ao CNPq, programa Ciência Sem Fronteiras, e ao Banco Santander por terem financiado meus dois estágios na Universidade do Porto. Aos colegas do LIAAD/INESC pelo apoio durante o meu estágio na Universidade do Porto, em especial, a Isabel, pelo trabalho em equipe. À Universidade Federal de Uberlândia (UFU) e à Faculdade de Computação (FACOM), que permitiram a flexibilização dos meus horários e o meu afastamento total no último ano de doutorado. Agradeço também aos meus colegas da FACOM, que muitas vezes me ajudaram nas minhas atividades na FACOM para que eu pudesse conciliá-las com o doutorado. Aos meus colegas do BioCom, em especial ao Jonathan Silva, Ivani Negrão, Ricardo Cerri e Rodrigo Barros. Agradeço o apoio e amizade nestes anos de doutorado. Obrigada pelos trabalhos em conjunto, pelas discussões que ajudaram a evoluir meu trabalho, por me ajudarem quando eu chegava cansada das minhas viagens de Uberlândia. Foi muito importante ter o apoio de vocês. Aos amigos Paula e Moacir, que foram meu ponto de apoio em São Carlos e me ajudaram muito nesta caminhada. Aos amigos João e Rachel da UFV por terem me ajudado tanto no início do doutorado. Vocês são grandes amigos e não imaginam o quanto foram importante para mim. À minha família, por terem me apoiado e incentivado sempre. Agradeço aos meus pais, que mesmo com apenas o ensino primário, lutaram sempre para que os filhos estudassem. Finalmente agradeço ao meu marido José Gustavo, que esteve sempre ao meu lado. Era ele que me ouvia quando eu estava cansada e sem ânimo para continuar. Era ele que estava do meu lado e vibrava...

show abstract

An Algorithm for Mining Frequent Itemsets

Leon

Suárez

Uribe

et al. 2008

2008 5th International Conference on Electrical Engineering, Computing Science and Automatic Control

View full text Add to dashboard Cite

Abstract-In this paper, we propose a new algorithm for mining frequent itemsets. This algorithm is named AMFI (Algorithm for Mining Frequent Itemsets). This algorithm compresses the data while maintaining the necessary semantics for the frequent itemsets mining problem and it is more efficient that traditional compression algorithms. The AMFI efficiency is based on a compressed vertical binary representation of the data and on a very fast support count. AMFI performs a breadth first search through equivalence classes. We compare our proposal with an implementation using PackBits algorithm.

show abstract

Stream Data Classification Using Improved Fisher Discriminate Analysis

Cited by 5 publications

References 21 publications

Efficient Retrieval Technique for Microarray Gene Expression

Efficient Retrieval Technique for Microarray Gene Expression

Detecção de novidade em fluxos contínuos de dados multiclasse

An Algorithm for Mining Frequent Itemsets

Contact Info

Product

Resources

About