Để đánh giá tính hiệu quả của bộ đặc trưng được chọn từ ma trận vector đặc trưng trích xuất của tập dữ liệu hình ảnh tế bào bạch cầu đối với việc phân lớp, phương pháp mà nhóm đề xuất đã được thực hiện trong 10 lần chạy độc lập để tạo ra 10 bộ đặc trưng khác nhau. Những bộ đặc trưng này sẽ được đánh giá bằng cách sử dụng sáu thuật toán phân loại phổ biến đã được chứng minh tính hiệu quả, bao gồm: Linear SVM, KNN (K=5), Decision Tree, Naive Bayes, Adaboost và Multi Layer Perceptron (MLP). Giá trị trung bình, giá trị tốt nhất và giá trị xấu nhất của các chỉ sốAccuracy,Recall,Precision,F1 Scoretrong 10 lần chạy sẽ được chọn làm tiêu chí đánh giá tính hiệu quả phân lớp. Kết quả khác nhau giữa các lần chạy là do bản chất của cơ chế ngẫu nhiên của giải thuật tối ưu hóa bầy đàn, cơ chế này phụ thuộc vào quá trình khám phá không gian tìm kiếm để tìm ra bộ đặc trưng tốt nhất. Giá trị trung bình của các chỉ số đánh giá được thống kê trong bảng 5.5.
Trong bảng 5.5, bộ đặc trưng trích xuất từ VGGNet được so sánh với bộ đặc trưng đã được chọn lọc bằng cải tiến giải thuật tối ưu. Chỉ với khoảng 8% số lượng đặc trưng được giải thuật ISSA lựa chọn và sử dụng trong các bộ phân loại đã chứng minh được hiệu quả phân loại vượt trội trên nhiều tiêu chí. Điều này cho thấy các giải thuật phân lớp có thể học khoảng 2 nghìn đặc trưng nhưng lại cho ra kết quả tốt hơn so với việc học từ tập đặc trưng cơ bản 25 nghìn đặc trưng của VGGNet. Ngoài ra, trong nhiều lần chạy độc lập, chúng tôi nhận thấy bộ phân loạiSVM
với kernel linear cho kết quả phân loại tốt và ổn định nhất trên bộ dữ liệu hình ảnh bạch cầu.
Algorithm Method Features Reduction Accuracy Recall Precision F1 Linear SVM VGGVGG + ISSA 250882007 100%8% 94.2395.72 92.3095.00 96.0096.12 94.1295.57 KNN VGGVGG + ISSA 250882007 100%8% 82.6984.62 69.2373.07 94.7395.00 80.0082.61 Decision Tree VGGVGG + ISSA 250882007 100%8% 71.1580.77 73.0888.46 70.3776.67 71.7082.14 Naive Bayes VGG 25088 100% 75.00 96.15 67.57 79.37 VGG + ISSA 2007 8% 81.03 88.72 77.15 82.53 Adaboost VGGVGG + ISSA 250882007 100%8% 88.4690.38 92.3184.62 85.7195.65 88.8989.80 MLP VGGVGG + ISSA 250882007 100%8% 94.2394.23 96.1596.15 92.5992.59 94.3494.34
Bảng 5.5:Thống kê các chỉ số đánh giá tính hiệu quả của bộ đặc trưng dựa trên 6 giải thuậtphân lớp phân lớp
CHƯƠNG 5 KẾT QUẢ HIỆN THỰC 42