Published January 25, 2021 | Version v1
Publication Metadata-only

Artificial neural network with Taguchi method for robust classification model to improve classification accuracy of breast cancer

Creators

  • 1. National University of Malaysia
  • 2. Al-Balqa Applied University

Description

Artificial neural networks (ANN) perform well in real-world classification problems. In this paper, a robust classification model using ANN was constructed to enhance the accuracy of breast cancer classification. The Taguchi method was used to determine the suitable number of neurons in a single hidden layer of the ANN. The selection of a suitable number of neurons helps to solve the overfitting problem by affecting the classification performance of an ANN. With this, a robust classification model was then built for breast cancer classification. Based on the Taguchi method results, the suitable number of neurons selected for the hidden layer in this study is 15, which was used for the training of the proposed ANN model. The developed model was benchmarked upon the Wisconsin Diagnostic Breast Cancer Dataset, popularly known as the UCI dataset. Finally, the proposed model was compared with seven other existing classification models, and it was confirmed that the model in this study had the best accuracy at breast cancer classification, at 98.8%. This confirmed that the proposed model significantly improved performance.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تؤدي الشبكات العصبية الاصطناعية (ANN) أداءً جيدًا في مشاكل التصنيف في العالم الحقيقي. في هذه الورقة، تم إنشاء نموذج تصنيف قوي باستخدام ANN لتعزيز دقة تصنيف سرطان الثدي. تم استخدام طريقة تاغوشي لتحديد العدد المناسب من الخلايا العصبية في طبقة واحدة مخفية من ANN. يساعد اختيار عدد مناسب من الخلايا العصبية في حل مشكلة فرط التجهيز من خلال التأثير على أداء تصنيف ANN. مع هذا، تم بناء نموذج تصنيف قوي لتصنيف سرطان الثدي. بناءً على نتائج طريقة تاغوشي، فإن العدد المناسب من الخلايا العصبية المختارة للطبقة المخفية في هذه الدراسة هو 15، والتي تم استخدامها لتدريب نموذج ANN المقترح. تم قياس النموذج المطور بناءً على مجموعة بيانات تشخيص سرطان الثدي في ويسكونسن، والمعروفة شعبياً باسم مجموعة بيانات سرطان الثدي في ويسكونسن. أخيرًا، تمت مقارنة النموذج المقترح مع سبعة نماذج تصنيف أخرى موجودة، وتم التأكيد على أن النموذج في هذه الدراسة كان أفضل دقة في تصنيف سرطان الثدي، بنسبة 98.8 ٪. وهذا يؤكد أن النموذج المقترح قد حسّن الأداء بشكل كبير.

Translated Description (French)

Les réseaux de neurones artificiels (RNA) fonctionnent bien dans les problèmes de classification du monde réel. Dans cet article, un modèle de classification robuste utilisant ANN a été construit pour améliorer la précision de la classification du cancer du sein. La méthode de Taguchi a été utilisée pour déterminer le nombre approprié de neurones dans une seule couche cachée de l'ANN. La sélection d'un nombre approprié de neurones aide à résoudre le problème de sur-équipement en affectant les performances de classification d'un RNA. Avec cela, un modèle de classification robuste a ensuite été construit pour la classification du cancer du sein. Sur la base des résultats de la méthode de Taguchi, le nombre approprié de neurones sélectionnés pour la couche cachée dans cette étude est de 15, qui a été utilisé pour l'entraînement du modèle ANN proposé. Le modèle développé a été comparé à l'ensemble de données sur le cancer du sein diagnostique du Wisconsin, connu sous le nom d'ensemble de données UCI. Enfin, le modèle proposé a été comparé à sept autres modèles de classification existants, et il a été confirmé que le modèle de cette étude avait la meilleure précision lors de la classification du cancer du sein, à 98,8 %. Cela a confirmé que le modèle proposé améliorait considérablement les performances.

Translated Description (Spanish)

Las redes neuronales artificiales (ANN) funcionan bien en problemas de clasificación del mundo real. En este documento, se construyó un modelo de clasificación sólido utilizando ANN para mejorar la precisión de la clasificación del cáncer de mama. Se utilizó el método de Taguchi para determinar el número adecuado de neuronas en una sola capa oculta de la ANN. La selección de un número adecuado de neuronas ayuda a resolver el problema de sobreajuste al afectar el rendimiento de clasificación de una ANN. Con esto, se construyó un modelo de clasificación robusto para la clasificación del cáncer de mama. Con base en los resultados del método Taguchi, el número adecuado de neuronas seleccionadas para la capa oculta en este estudio es de 15, que se utilizó para el entrenamiento del modelo ANN propuesto. El modelo desarrollado se comparó con el conjunto de datos de diagnóstico de cáncer de mama de Wisconsin, conocido popularmente como el conjunto de datos UCI. Finalmente, el modelo propuesto se comparó con otros siete modelos de clasificación existentes, y se confirmó que el modelo en este estudio tenía la mejor precisión en la clasificación del cáncer de mama, con un 98,8%. Esto confirmó que el modelo propuesto mejoró significativamente el rendimiento.

Additional details

Additional titles

Translated title (Arabic)
شبكة عصبية اصطناعية مع طريقة تاغوشي لنموذج تصنيف قوي لتحسين دقة تصنيف سرطان الثدي
Translated title (French)
Réseau neuronal artificiel avec la méthode de Taguchi pour un modèle de classification robuste afin d'améliorer la précision de la classification du cancer du sein
Translated title (Spanish)
Red neuronal artificial con método de Taguchi para un modelo de clasificación robusto para mejorar la precisión de la clasificación del cáncer de mama

Identifiers

Other
https://openalex.org/W3124643199
DOI
10.7717/peerj-cs.344

Is supplement to
https://openalex.org/W4378510483 (Other)
https://openalex.org/W4376166922 (Other)
https://openalex.org/W4362597605 (Other)
https://openalex.org/W4297676672 (Other)
https://openalex.org/W4281702477 (Other)
https://openalex.org/W4221142204 (Other)
https://openalex.org/W3009056573 (Other)
https://openalex.org/W2922073769 (Other)
https://openalex.org/W2490526372 (Other)
https://openalex.org/W1574414179 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Jordan

References

  • https://openalex.org/W1543715688
  • https://openalex.org/W1965173537
  • https://openalex.org/W1967109380
  • https://openalex.org/W1967652398
  • https://openalex.org/W1968402048
  • https://openalex.org/W1970136111
  • https://openalex.org/W1974825269
  • https://openalex.org/W1978167298
  • https://openalex.org/W1986760892
  • https://openalex.org/W2016270500
  • https://openalex.org/W2053908901
  • https://openalex.org/W2056052206
  • https://openalex.org/W2060755746
  • https://openalex.org/W2069914810
  • https://openalex.org/W2077719796
  • https://openalex.org/W2080525614
  • https://openalex.org/W2090453155
  • https://openalex.org/W2109126837
  • https://openalex.org/W2123212597
  • https://openalex.org/W2131105131
  • https://openalex.org/W2141131018
  • https://openalex.org/W2163877626
  • https://openalex.org/W2253644374
  • https://openalex.org/W2318502288
  • https://openalex.org/W2321278764
  • https://openalex.org/W2395652896
  • https://openalex.org/W2516481003
  • https://openalex.org/W2551435016
  • https://openalex.org/W2563743919
  • https://openalex.org/W2604407489
  • https://openalex.org/W2766142123
  • https://openalex.org/W2768914963
  • https://openalex.org/W2770426151
  • https://openalex.org/W2802565218
  • https://openalex.org/W2808866466
  • https://openalex.org/W2886310805
  • https://openalex.org/W2899432087
  • https://openalex.org/W2900982769
  • https://openalex.org/W3005064222
  • https://openalex.org/W3038784327
  • https://openalex.org/W409509505
  • https://openalex.org/W4242652112
  • https://openalex.org/W4285719527