Researchers working on cancer datasets often encounter two major challenges in their data science tasks. First, the numbers of samples are often low while the numbers of features needed for extraction are high. Secondly, the existence of noise and uncertainties in datasets can cause issues with any data science related tasks. Addressing such issues is of paramount importance to researchers and consequently to society as well. In this paper, making use of Principal Component Analysis (PCA) we remove irrelevant and redundant features from known cancer datasets. We then implement a novel internal structure using a deep neural network, which is based on the radial basis function (RBF) for feature extraction. This task is followed with the selection of the most informative features, which are prepared for an adaptive neuro-fuzzy inference system (ANFIS) based on Takagi-Sugeno-Kang (TSK). The entire process considers different values of thresholds which may cause a deficient number of features for classification. As a result, in the fuzzy classifier, the number of rules will not be substantial. Finally, our proposed approach is evaluated in three cancer datasets which are COLON, ALL-AML, and LEUKEMIA. We also apply two classifiers: 1) neuro-fuzzy inference system with different types of membership functions and 2) multi-layer perceptron to classify those cancer datasets into two groups. Our strong experimental results show that our method leads to a higher accuracy when compared to a multi-layer perceptron classifier.

研究癌症数据集的研究人员在他们的数据科学任务中经常遇到两大挑战。首先，样本数量通常较少，而提取所需的特征数量较多。其次，数据集中存在的噪声和不确定性可能会导致任何与数据科学相关的任务出现问题。解决这些问题对研究人员至关重要，因此对社会也是如此。在本文中，利用主成分分析 (PCA)，我们从已知的癌症数据集中删除了不相关和冗余的特征。然后，我们使用深度神经网络实现了一种新颖的内部结构，该网络基于径向基函数 (RBF) 进行特征提取。此任务之后是选择信息量最大的特征，为基于 Takagi-Sugeno-Kang (TSK) 的自适应神经模糊推理系统 (ANFIS) 准备。整个过程考虑了阈值的不同值，这可能会导致分类特征数量不足。因此，在模糊分类器中，规则的数量不会很大。最后，我们在三个癌症数据集中评估了我们提出的方法，即 COLON、ALL-AML 和 LEUKEMIA。我们还应用了两个分类器：1）具有不同类型隶属函数的神经模糊推理系统和 2）多层感知器将这些癌症数据集分为两组。我们强大的实验结果表明，与多层感知器分类器相比，我们的方法具有更高的准确性。整个过程考虑了阈值的不同值，这可能会导致分类特征数量不足。因此，在模糊分类器中，规则的数量不会很大。最后，我们在三个癌症数据集中评估了我们提出的方法，即 COLON、ALL-AML 和 LEUKEMIA。我们还应用了两个分类器：1）具有不同类型隶属函数的神经模糊推理系统和 2）多层感知器将这些癌症数据集分为两组。我们强大的实验结果表明，与多层感知器分类器相比，我们的方法具有更高的准确性。整个过程考虑了阈值的不同值，这可能会导致分类特征数量不足。因此，在模糊分类器中，规则的数量不会很大。最后，我们在三个癌症数据集中评估了我们提出的方法，即 COLON、ALL-AML 和 LEUKEMIA。我们还应用了两个分类器：1）具有不同类型隶属函数的神经模糊推理系统和 2）多层感知器将这些癌症数据集分为两组。我们强大的实验结果表明，与多层感知器分类器相比，我们的方法具有更高的准确性。我们提出的方法在三个癌症数据集中进行了评估，即 COLON、ALL-AML 和 LEUKEMIA。我们还应用了两个分类器：1）具有不同类型隶属函数的神经模糊推理系统和 2）多层感知器将这些癌症数据集分为两组。我们强大的实验结果表明，与多层感知器分类器相比，我们的方法具有更高的准确性。我们提出的方法在三个癌症数据集中进行了评估，即 COLON、ALL-AML 和 LEUKEMIA。我们还应用了两个分类器：1）具有不同类型隶属函数的神经模糊推理系统和 2）多层感知器将这些癌症数据集分为两组。我们强大的实验结果表明，与多层感知器分类器相比，我们的方法具有更高的准确性。