# proefschrift_Schols_SLV

Chapter 7  tissue  type  (hence  the  input  label  is  set  at  1  in  the  top  row)  and  the  next  three  measurements  represent  a  second  tissue  type  (input  label  value  of  1  in  the  bottom  row).  Using  these  matrices  an  aggregated  matrix  A  is  formed,  containing  the  observations X and the corresponding input labels Y.        There  is  also  a  weighting  factor  λ  between  X  and  Y which  indicates  the  measure  of  confidence in the observations X versus the labels.   The  combination  matrix  A  is  now  used  in  an  algorithm  to  determine  the  most  interesting  features  to  be  used.  In  this  case,  however,  the  labeling  information  is  additionally taken into account by using the labeling Y ensuring a more useful output  for characterization.  The identified features can be used to construct a transformation B which transforms  the observations X into an estimation of the labeling Ŷ.   Actually,  what  is  achieved  is  a  learning  matrix  B  based  on  the  observations  and  the  input labeling which estimates as well as possible the labels through the observations,  hence:      That  means  that  when  a  new  (unlabeled)  measurement  is  acquired,  it  has  to  be  multiplied by  the  matrix B  to obtain  the  label of  the measurement  (in  this particular  case the most likely tissue type).  In the example the  learning matrix could now be applied  to  observations  to  evaluate  how well the system is trained. The result is:          ˆ 1.0231 0.9726 0.0550 0.0925 0.1472 Y     For instance the first column of the result matrix indicates that the observation was of  the  first  type  because  the  result  value  of  1.023  is  closer  to  1  than  to  0.  And  the  observation was not likely to be of the second type because the result value of ‐0.0080  is closer to 0 than to 1. It is clear that the result has to approach the real label matrix Y.  In case a new unlabeled measurement x is acquired, for example:       104  A  X T  YT  Yˆ  X  B      0.0080 0.0087 0.9938 1.0281 0.9797 x  0.89 0.42 0.74 0.81 0.87 0.883 0.334 0.098

proefschrift_Schols_SLV
To see the actual publication please follow the link above