{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318106"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318106","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Κατηγοριοποίηση Δεδομένων Βιοψίας Μαστού","abstract":"Αντικείμενο της συγκεκριμένης εργασίας είναι η ανάπτυξη και εφαρμογή αλγορίθμων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων βιοψίας μαστού. Τα δεδομένα περιλαμβάνουν 569 πρότυπα κυτταρολογικής βιοψίας μαστού (357 καλοήθη και 212 κακοήθη) με 30 χαρακτηριστικά κυτταρικών πυρήνων που προέρχονται από τη βάση δεδομένων «Breast Cancer Wisconsin Diagnostic». Από το αρχικό πλήθος των 30 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων σειριακής οπίσθιας επιλογής (Sequential Backward Selection) και κατάταξης χαρακτηριστικών (rank-features criterion). Για την ταξινόμηση των δειγμάτων σε 2 κλάσεις (καλοήθειες ή κακοήθειες) υλοποιήθηκαν o ταξινομητής Πλησιέστερου Γείτονα, το Πιθανοκρατικό Νευρωνικό Δίκτυο και τα Διανύσματα Υποστήριξης Απόφασης. H απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out και External Cross Validation. Η ακρίβεια του προτεινόμενου συστήματος στην ταξινόμηση κυτταρικών πυρήνων στις 2 κατηγορίες είναι 97% με την εφαρμογή Διανυσμάτων Υποστήριξης Απόφασης και ως μέθοδο επιλογής χαρακτηριστικών την Sequential Backward Selection.","abstract_html":"Αντικείμενο της συγκεκριμένης εργασίας είναι η ανάπτυξη και εφαρμογή αλγορίθμων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων βιοψίας μαστού. Τα δεδομένα περιλαμβάνουν 569 πρότυπα κυτταρολογικής βιοψίας μαστού (357 καλοήθη και 212 κακοήθη) με 30 χαρακτηριστικά κυτταρικών πυρήνων που προέρχονται από τη βάση δεδομένων «Breast Cancer Wisconsin Diagnostic». Από το αρχικό πλήθος των 30 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων σειριακής οπίσθιας επιλογής (Sequential Backward Selection) και κατάταξης χαρακτηριστικών (rank-features criterion). Για την ταξινόμηση των δειγμάτων σε 2 κλάσεις (καλοήθειες ή κακοήθειες) υλοποιήθηκαν o ταξινομητής Πλησιέστερου Γείτονα, το Πιθανοκρατικό Νευρωνικό Δίκτυο και τα Διανύσματα Υποστήριξης Απόφασης. H απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out και External Cross Validation. Η ακρίβεια του προτεινόμενου συστήματος στην ταξινόμηση κυτταρικών πυρήνων στις 2 κατηγορίες είναι 97% με την εφαρμογή Διανυσμάτων Υποστήριξης Απόφασης και ως μέθοδο επιλογής χαρακτηριστικών την Sequential Backward Selection.","abstract_has_math":false,"creators":["Παλιούρα Αγγελική"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:25:16Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318106"],"render_values":[{"text":"uoadl:1318106","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318106","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318106","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1318106","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παλιούρα Αγγελική"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318106","https://pergamos.lib.uoa.gr/uoa/dl/object/1318106"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της συγκεκριμένης εργασίας είναι η ανάπτυξη και εφαρμογή αλγορίθμων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων βιοψίας μαστού. Τα δεδομένα περιλαμβάνουν 569 πρότυπα κυτταρολογικής βιοψίας μαστού (357 καλοήθη και 212 κακοήθη) με 30 χαρακτηριστικά κυτταρικών πυρήνων που προέρχονται από τη βάση δεδομένων «Breast Cancer Wisconsin Diagnostic». Από το αρχικό πλήθος των 30 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων σειριακής οπίσθιας επιλογής (Sequential Backward Selection) και κατάταξης χαρακτηριστικών (rank-features criterion). Για την ταξινόμηση των δειγμάτων σε 2 κλάσεις (καλοήθειες ή κακοήθειες) υλοποιήθηκαν o ταξινομητής Πλησιέστερου Γείτονα, το Πιθανοκρατικό Νευρωνικό Δίκτυο και τα Διανύσματα Υποστήριξης Απόφασης. H απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out και External Cross Validation. Η ακρίβεια του προτεινόμενου συστήματος στην ταξινόμηση κυτταρικών πυρήνων στις 2 κατηγορίες είναι 97% με την εφαρμογή Διανυσμάτων Υποστήριξης Απόφασης και ως μέθοδο επιλογής χαρακτηριστικών την Sequential Backward Selection.","The purpose of the present thesis is the study and implementation of classification algorithms for breast cancer data set that comes from Fine Needle Aspiration. The data set includes 569 patterns (357 benign and 212 malignant) and 30 features of cellular cores that emanate from the «Breast Cancer Wisconsin Diagnostic» database. From the initial set of 30 features, the optimal subset of features was derived employing the Sequential Backward Selection method and ranking features with rank-features criterion. Τhe Nearest Neighbor, the Probabilistic Neural Network and the Support Vector Machine classifiers were implemented for the classification of nuclei in two classes (benign or malignant). Τheir accuracy was evaluated through 2 different evaluation methods: Leave-One -Out and External Cross Validation. The success rate of proposed system to classify cell nuclei in two categories is 97% using the Support Vector Machine and Sequential Backward Selection as feature selection method."]},{"key":"dc:title","label":"Title","values":["Κατηγοριοποίηση Δεδομένων Βιοψίας Μαστού"]}]}],"canonical_facts":{"dc:creator":["Παλιούρα Αγγελική"],"dc:date":["2014"],"dc:description":["Αντικείμενο της συγκεκριμένης εργασίας είναι η ανάπτυξη και εφαρμογή αλγορίθμων αναγνώρισης προτύπων για την κατηγοριοποίηση δεδομένων βιοψίας μαστού. Τα δεδομένα περιλαμβάνουν 569 πρότυπα κυτταρολογικής βιοψίας μαστού (357 καλοήθη και 212 κακοήθη) με 30 χαρακτηριστικά κυτταρικών πυρήνων που προέρχονται από τη βάση δεδομένων «Breast Cancer Wisconsin Diagnostic». Από το αρχικό πλήθος των 30 χαρακτηριστικών, επιλέχθηκε το υποσύνολο εκείνο με την καλύτερη διαχωριστική ικανότητα ύστερα από εφαρμογή των μεθόδων σειριακής οπίσθιας επιλογής (Sequential Backward Selection) και κατάταξης χαρακτηριστικών (rank-features criterion). Για την ταξινόμηση των δειγμάτων σε 2 κλάσεις (καλοήθειες ή κακοήθειες) υλοποιήθηκαν o ταξινομητής Πλησιέστερου Γείτονα, το Πιθανοκρατικό Νευρωνικό Δίκτυο και τα Διανύσματα Υποστήριξης Απόφασης. H απόδοσή τους αποτιμήθηκε με 2 διαφορετικές μεθόδους αξιολόγησης: Leave-One-Out και External Cross Validation. Η ακρίβεια του προτεινόμενου συστήματος στην ταξινόμηση κυτταρικών πυρήνων στις 2 κατηγορίες είναι 97% με την εφαρμογή Διανυσμάτων Υποστήριξης Απόφασης και ως μέθοδο επιλογής χαρακτηριστικών την Sequential Backward Selection.","The purpose of the present thesis is the study and implementation of classification algorithms for breast cancer data set that comes from Fine Needle Aspiration. The data set includes 569 patterns (357 benign and 212 malignant) and 30 features of cellular cores that emanate from the «Breast Cancer Wisconsin Diagnostic» database. From the initial set of 30 features, the optimal subset of features was derived employing the Sequential Backward Selection method and ranking features with rank-features criterion. Τhe Nearest Neighbor, the Probabilistic Neural Network and the Support Vector Machine classifiers were implemented for the classification of nuclei in two classes (benign or malignant). Τheir accuracy was evaluated through 2 different evaluation methods: Leave-One -Out and External Cross Validation. The success rate of proposed system to classify cell nuclei in two categories is 97% using the Support Vector Machine and Sequential Backward Selection as feature selection method."],"dc:identifier":["uoadl:1318106","https://pergamos.lib.uoa.gr/uoa/dl/object/1318106"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Κατηγοριοποίηση Δεδομένων Βιοψίας Μαστού"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:16Z"}