Comparison of several forms of dimension reduction on quantitative morphological features for normal, abnormal and reactive lymphocyte differentiation

Abstract

Dimension reduction, or dimensionality reduction, is the process through which the number of variables observed in a study is reduced to a smaller number. The term Lymphoma defines a group of very common white blood cell cancers that affect both adult individuals and children. The correct diagnosis and treatment of lymphoma offers a significant survival rate. The Curse of Dimensionality is a common problem in which additional dimensions in data sets make information sparser. This can be managed by dimension reduction techniques. This study aims to compare the performance of PCA, ICA, Factor Analysis and LDA. LDA, PCA and Factor Analysis are shown to yield good results. A comparative table is given.

La reducción dimensional es el proceso por el que el número de variables observado en un estudio es reducido a una cantidad menor. El término "linfoma" define un grupo de cánceres de glóbulos blancos que afectan tanto a adultos como a niños. El diagnóstico y tratamiento correcto del linfoma ofrece una tasa de supervivencia significativa. La "Maldición de la Dimensionalidad" es un problema común en el que la adición de dimensiones en conjuntos de datos produce una dilución de la información. Esto puede ser evitado mediante técnicas de reducción dimensional. Este estudio se enfoca en la comparación de la eficiencia de PCA, ICA, Análisis de Factores y LDA. PCA, LDA y análisis de factores demuestran buenos resultados. Los mismos se muestran en una tabla comparativa.

La reducció dimensional és el procés pel qual el nombre de variables observat en un estudi és reduït a una quantitat menor. El terme "limfoma" defineix un grup de càncers de glòbuls blancs que afecten tant a adults com a nens. El diagnòstic i tractament correcte del limfoma ofereix una taxa de supervivència significativa. La "Maledicció de la Dimensionalitat" és un problema comú en el qual l'addició de dimensions en conjunts de dades produeix una dilució de la informació. Això pot ser evitat mitjançant tècniques de reducció dimensional. Aquest estudi s'enfoca en la comparació de l'eficiència de PCA, ICA, Anàlisi de Factors i Llic. PCA, LDA i anàlisi de factors demostren bons resultats. Els mateixos es mostren en una taula comparativa.