ارزیابی کارآیی شبکه های عصبی مبتنی بر ماشین یادگیری افراطی (ELM) در طبقه بندی داده های پزشکی

یادگیری ماشین به عنوان یکی از شاخه های وسیع و پرکاربرد هوش مصنوعی، به تنظیم و اکتشاف شیوه ها والگوریتم هایی می پردازد که بر اساس آنها رایانه ها و سامانه ها توانایی تعلم و یادگیری پیدا می کنند. الگوریتم های بسیاری درزمینه یادگیری ماشین و سایر روش های هوشمند به منظور کمک به تشخیص بیماری ها ایجاد شده است که از آن جملهمی توان به شبکه های عصبی مصنوعی با کاربرد طبقه بندی داده ها اشاره کرد. محبوبیت گسترده شبکه های عصبی در بسیاریاز زمینه ها عمدتا به دلیل توانایی آنها در تخمین نگاشت پیچیده غیرخطی مستقیما از نمونه های ورودی است. افزایش سرعتو دقت الگوریتم آموزش شبکه عصبی از جمله موضوعاتی است که تحقیقات متعددی را به خود معطوف نموده است. در اینمیان شبکه های عصبی مبتنی بر ماشین یادگیری افراطی (ELM) که عملکرد تعمیم یافته مطلوبی از شبکه های پیشخورتک لایه (SLFN) است با ایجاد تغییراتی در ساختار و محاسبات لایه پنهان روش کلاسیک، به سرعت و دقت بالایی درتخمین تابع هدف دست یافته است. در این مقاله با استفاده از سه گروه از داده های پزشکی شامل شناسایی نارسایی قلبی،شناسایی سرطان پستان و شناسایی زمینه خطر ابتلا به سرطان دهانه رحم نسبت به ارزیابی کارآیی شبکه های عصبی مبتنیبر ماشین یادگیری افراطی (ELM) در طبقه بندی داده های پزشکی اقدام گردیده است. نتایج نشان می دهد شبکه های عصبیمبتنی بر ماشین یادگیری افراطی (ELM) از بالاترین معیار Accuracy در میان سایر الگوریتم های طبقه بندی موردمطالعه نظیر رگرسیون لجستیک، یادگیری بیزین، ماشین بردار پشتیبان، K- نزدیک ترین همسایه و دسته بندی تجمیعیمبتنی بر درخت تصمیم برخوردار است و می تواند رقیب بسیار قدرتمندی برای سایر روش ها در طبقه بندی داده های پزشکیدر نظر گرفته شود.

کلیدواژه ها:

یادگیری ماشین ، شبکه های عصبی مصنوعی ، طبقه بندی ، ماشین یادگیری افراطی ، داده های پزشکی