ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

A hybrid classification approach Based on Improved Differential ‎Evolution Algorithm for Breast Cancer Diagnosis

سال انتشار: 1399
کد COI مقاله: JR_SAIRAN-11-2_011
زبان مقاله: فارسیمشاهده این مقاله: 26
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A hybrid classification approach Based on Improved Differential ‎Evolution Algorithm for Breast Cancer Diagnosis

فرزان رشیدی - دانشگاه هرمزگان- دکترای برق
فاطمه لنجانیان - دانشگاه هرمزگان
شهرام گلزاری - دانشگاه هرمزگان

چکیده مقاله:

Breast cancer is one of the most common malignant tumors and the main cause of cancer death ‎among women worldwide. The diagnosis of this type of cancer is a challenging problem in cancer ‎diagnosis researches. Several research before have proved that ensemble based machine learning ‎classifiers are able to detect breast cancer spot more accurate. However, the success of an ensemble ‎classifier highly depends on the choice of method to combine the outputs of the classifiers into a ‎single one. This paper proposes a novel ensemble method that uses modified differential evolution ‎‎(DE) algorithm generated weights to create ensemble of classifiers for improving the accuracy of ‎breast cancer diagnosis. This paper proposes an ensemble-based classifier to improve the accuracy ‎of breast cancer diagnosis. As the performance of DE algorithm is strongly influenced by selection ‎of its control parameters, local unimodal sampling (LUS) technique is used to find these parameters. ‎The two most popular classifiers support vector machine (SVM) and K-nearest neighbor (KNN) ‎classifiers are used in the ensemble. The classification is then carried out using the majority vote of ‎the ensemble. The accuracy of the presented model is compared to other approaches from literature ‎using standard dataset. The experimental results based on breast cancer dataset show that the ‎proposed model outperforms other classifiers in breast cancer abnormalities classification with ‎‎۹۹.۴۶% accuracy.‎

کلیدواژه ها:

Breast cancer diagnosis, local unimodal sampling, differential evolution algorithm, majority vote, ‎Accuracy.‎

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_SAIRAN-11-2_011 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1221118/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
رشیدی، فرزان و لنجانیان، فاطمه و گلزاری، شهرام،1399،A hybrid classification approach Based on Improved Differential ‎Evolution Algorithm for Breast Cancer Diagnosis،https://civilica.com/doc/1221118

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399، رشیدی، فرزان؛ فاطمه لنجانیان و شهرام گلزاری)
برای بار دوم به بعد: (1399، رشیدی؛ لنجانیان و گلزاری)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 3,220
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی