earticle

영어

This paper proposes the effect of principal component analysis (PCA) on many kernel classification techniques, such as (i) Single kernel Multi-Class support vector machine (SVM), (ii) Multiple Kernel Learning (MKL) and (iii) Generalized Multiple Kernel Learning (GMKL). PCA is a sophisticated way to reduce the dimensionality of high dimensional data, specially the high dimensional imaging data, while keeping most of the informative representative dimensions and excluding the least important ones. The aim of this Paper is to figure out whether PCA is actually a good idea in practice with kernel classifiers or not, in order to find a better framework for classification and analysis of brain imaging features in the study of Alzheimer’s disease. For this experiment the data used is FreeSurfer mean cortical thickness dataset downloaded from the ADNI database (adni.loni.usc.edu) baseline data. The classification accuracy (in classifying the three classes CN, LMCI, AD) of comparative methods has been evaluated using 3-fold cross validation. As a result of this comparative study, we could observe that applying PCA on different kernel classification methods has improved the classification accuracy.

한국어

본 논문에서는 다양한 커널분류기법 들-단일커널 다중SVM, 다중커널학습(MKL), 일반화된 다중커널학습(GMKL)-에서 주성분분석의 효과를 기술한다. 주성분분석은 주요 정보를 유지하면서 상대적으로 불필요한 데이터를 제외하는 방법에 의해서 고차원데이터를 저차원으로 줄이기 위한 기법이다. 본 논문은 이러한 주성분분석이 실제적으로 다양한 커널분류기에 적용되는 지를 보여준다. 이러한 실험을 위해서 ADNI 데이터베이스에서 내려받은FreeSurfer 평균대뇌피질두께를 사용한다. 정상인과 경도인지장애, 알츠하이머병의 3가지로 분류하는 실험을 3 교차 검증을 통해 정확성을 구한다. 각 방법들의 비교 결과를 통해 주성분분석은 커널 분류 방법의 성능을 개선하는것을 확인하였다.