Дослідження ефективності методу головних компонент для зниження розмірності ознак у задачах медичної діагностики

Abstract

У роботі досліджено застосування методу головних компонент (PCA) для виявлення інформативних ознак у медичних даних та зниження їх розмірності в задачах автоматизованої класифікації. Використано набір даних

The paper investigates the application of Principal Component Analysis (PCA) for feature extraction and dimensionality reduction in medical data classification tasks. The Breast Cancer Wisconsin (Diagnostic) dataset was used, containing numerical characteristics of tumor cell nuclei. Data preprocessing, feature standardization, multicollinearity analysis, and classification model development were performed. A comparison was made between logistic regression based on the full feature set and a model using the principal component space. It was found that using 9 principal components preserves more than 94% of the variance and reduces data dimensionality by 3.3 times without loss of classification quality.