SPECT心脏数据集，267个SPE CT图像集（患者）的数据库

Data Set Information: 数据集描述了心脏单质子发射计算机断层扫描（SPECT）图像的诊断。每个患者分为两类：正常和异常。对267个SPECT图像集（患者）的数据库进行处理，以提取总结原始SPECT图像的特征。结果，为每个患者创建了44个连续特征模式。对该模式进行进一步处理，得到22个二值特征模式。使用CLIP3算法从这些模式生成分类规则。CLIP3算法生成的规则准确率为84.0%（与心脏病专家的诊断相比）。 SPECT是测试ML算法的良好数据集；它有267个实例，由23个二进制属性描述： Attribute Information: 1. OVERALL_DIAGNOSIS: 0,1 (class attribute, binary) 2. F1: 0,1 (the partial diagnosis 1, binary) 3. F2: 0,1 (the partial diagnosis 2, binary) 4. F3: 0,1 (the partial diagnosis 3, binary) 5. F4: 0,1 (the partial diagnosis 4, binary) 6. F5: 0,1 (the partial diagnosis 5, binary) 7. F6: 0,1 (the partial diagnosis 6, binary) 8. F7: 0,1 (the partial diagnosis 7, binary) 9. F8: 0,1 (the partial diagnosis 8, binary) 10. F9: 0,1 (the partial diagnosis 9, binary) 11. F10: 0,1 (the partial diagnosis 10, binary) 12. F11: 0,1 (the partial diagnosis 11, binary) 13. F12: 0,1 (the partial diagnosis 12, binary) 14. F13: 0,1 (the partial diagnosis 13, binary) 15. F14: 0,1 (the partial diagnosis 14, binary) 16. F15: 0,1 (the partial diagnosis 15, binary) 17. F16: 0,1 (the partial diagnosis 16, binary) 18. F17: 0,1 (the partial diagnosis 17, binary) 19. F18: 0,1 (the partial diagnosis 18, binary) 20. F19: 0,1 (the partial diagnosis 19, binary) 21. F20: 0,1 (the partial diagnosis 20, binary) 22. F21: 0,1 (the partial diagnosis 21, binary) 23. F22: 0,1 (the partial diagnosis 22, binary) - dataset is divided into: -- training data ("SPECT.train" 80 instances) -- testing data ("SPECT.test" 187 instances) Relevant Papers: Kurgan, L.A., Cios, K.J., Tadeusiewicz, R., Ogiela, M. & Goodenday, L.S. "Knowledge Discovery Approach to Automated Cardiac SPECT Diagnosis" Artificial Intelligence in Medicine, vol. 23:2, pp 149-169, Oct 2001 [Web link] Cios, K.J., Wedding, D.K. & Liu, N. CLIP3: cover learning using integer programming. Kybernetes, 26:4-5, pp 513-536, 1997 Cios K. J. & Kurgan L. Hybrid Inductive Machine Learning: An Overview of CLIP Algorithms, In: Jain L.C., and Kacprzyk J. (Eds). New Learning Paradigms in Soft Computing, Physica-Verlag (Springer), 2001 [Web link] Papers That Cite This Data Set1: Rich Caruana and Alexandru Niculescu-Mizil. An Empirical evaluation of Supervised Learning for ROC Area. ROCAI. 2004. [View Context]. Michael G. Madden. evaluation of the Performance of the Markov Blanket Bayesian Classifier Algorithm. CoRR, csLG/0211003. 2002. [View Context]. Lukasz A. Kurgan and Waldemar Swiercz and Krzysztof J. Cios. Semantic Mapping of XML Tags Using Inductive Machine Learning. ICMLA. 2002. [View Context]. M. A. Galway and Michael G. Madden. DEPARTMENT OF INFORMATION TECHNOLOGY technical report NUIG-IT-011002 evaluation of the Performance of the Markov Blanket Bayesian Classifier Algorithm. Department of Information Technology National University of Ireland, Galway. [View Context]. Citation Request: Please refer to the Machine Learning Repository's citation policy Original Owners: Krzysztof J. Cios, Lukasz A. Kurgan University of Colorado at Denver, Denver, CO 80217, U.S.A. Krys.Cios '@' cudenver.edu Lucy S. Goodenday Medical College of Ohio, OH, U.S.A. Donors: Lukasz A.Kurgan, Krzysztof J. Cios

数据集信息：本数据集围绕心脏单光子发射计算机断层扫描（Single Photon Emission Computed Tomography, SPECT）图像的诊断任务构建。所有受试患者被划分为正常与异常两类。研究团队对包含267例SPECT图像（对应267名患者）的数据库开展特征提取工作，以总结原始SPECT图像的核心信息，最终为每名患者生成44个连续型特征模式；后续进一步对该特征模式进行二值化处理，得到22个二值特征模式。随后使用CLIP3算法从上述特征模式中生成分类规则，该算法生成的分类规则准确率达84.0%（与心脏病专家的临床诊断结果对照）。SPECT数据集是测试机器学习算法的优质基准数据集，其包含267个样本，由23个二值属性描述。

属性信息：
1. 总体诊断（OVERALL_DIAGNOSIS）：取值为0或1（类别属性，二值型）
2. F1：取值为0或1（部分诊断1，二值型）
3. F2：取值为0或1（部分诊断2，二值型）
4. F3：取值为0或1（部分诊断3，二值型）
5. F4：取值为0或1（部分诊断4，二值型）
6. F5：取值为0或1（部分诊断5，二值型）
7. F6：取值为0或1（部分诊断6，二值型）
8. F7：取值为0或1（部分诊断7，二值型）
9. F8：取值为0或1（部分诊断8，二值型）
10. F9：取值为0或1（部分诊断9，二值型）
11. F10：取值为0或1（部分诊断10，二值型）
12. F11：取值为0或1（部分诊断11，二值型）
13. F12：取值为0或1（部分诊断12，二值型）
14. F13：取值为0或1（部分诊断13，二值型）
15. F14：取值为0或1（部分诊断14，二值型）
16. F15：取值为0或1（部分诊断15，二值型）
17. F16：取值为0或1（部分诊断16，二值型）
18. F17：取值为0或1（部分诊断17，二值型）
19. F18：取值为0或1（部分诊断18，二值型）
20. F19：取值为0或1（部分诊断19，二值型）
21. F20：取值为0或1（部分诊断20，二值型）
22. F21：取值为0或1（部分诊断21，二值型）
23. F22：取值为0或1（部分诊断22，二值型）

数据集划分为：
-- 训练集（`SPECT.train`，共80个样本）
-- 测试集（`SPECT.test`，共187个样本）

相关研究文献：
1. Kurgan, L.A., Cios, K.J., Tadeusiewicz, R., Ogiela, M. & Goodenday, L.S. 《自动化心脏SPECT诊断的知识发现方法》，载于《医学人工智能》（Artificial Intelligence in Medicine）第23卷第2期，第149-169页，2001年10月[网页链接]
2. Cios, K.J., Wedding, D.K. & Liu, N. 《CLIP3：基于整数规划的覆盖学习算法》，载于《控制论》（Kybernetes）第26卷第4-5期，第513-536页，1997年
3. Cios K. J. & Kurgan L. 《混合归纳式机器学习：CLIP系列算法综述》，载于Jain L.C.与Kacprzyk J.主编的《软计算新学习范式》，Physica-Verlag（Springer旗下），2001年[网页链接]

引用本数据集的研究文献：
1. Rich Caruana和Alexandru Niculescu-Mizil. 《ROC曲线下面积的监督学习算法实证评估》，ROCAI，2004年[查看上下文]
2. Michael G. Madden. 《马尔可夫毯贝叶斯分类器算法性能评估》，预印本库CoRR, csLG/0211003，2002年[查看上下文]
3. Lukasz A. Kurgan、Waldemar Swiercz与Krzysztof J. Cios. 《基于归纳式机器学习的XML标签语义映射》，ICMLA，2002年[查看上下文]
4. M. A. Galway与Michael G. Madden. 《信息技术技术报告：马尔可夫毯贝叶斯分类器算法性能评估》，爱尔兰高威国立大学信息技术系，报告编号NUIG-IT-011002，[查看上下文]

引用要求：请遵循机器学习仓库（Machine Learning Repository）的引用规范

原始数据提供者：Krzysztof J. Cios、Lukasz A. Kurgan，美国科罗拉多大学丹佛分校，丹佛，CO 80217，美国；邮箱：Krys.Cios '@' cudenver.edu；Lucy S. Goodenday，俄亥俄医学院，美国俄亥俄州

数据捐赠者：Lukasz A.Kurgan、Krzysztof J. Cios

搜集汇总

背景与挑战

背景概述

SPECT心脏数据集包含267个患者的SPECT图像，用于心脏诊断分类（正常或异常）。数据集提供了22个二值特征模式，适用于机器学习算法测试，并已分为训练集和测试集。