تشخیص بیماری های مزمن به کمک ماشین بردار پشتیبان دوقلو با قیود نرم

بیماری های مزمن از دلایل اصلی مرگ و میر در سال های اخیر بوده اند. پژوهش های تجربی بسیاری برای تشخیص بیماری مزمن در کشورهای مختلف گزارش شده اند. در مطالعات انجام شده، روش های یادگیری ماشین، نقش به سزایی در تشخیص بیماری های مزمن داشته اند. از جمله این روش ها، می توان به ماشین بردار پشتیبان استاندارد و دوقلو اشاره کرد. داده های بیماری های مزمن دارای نوفه ذاتی و نمونه های پرت می باشند. این مهم باعث افت شدید دقت مدل های ماشین بردار پشتیبان استاندارد و دوقلو می گردد. در مدل جدید، برای برطرف کردن کاستی بیان شده و رفع حساسیت نسبت به داده های نوفه ای۱، به جای دسته بندی ماشین بردار پشتیبان دوقلو، ماشین بردار پشتیبان دوقلو با قیود نرم پیشنهاد شده است. این مدل فضای شدنی مسئله بهینه سازی درجه دوم را گسترش می دهد. با گسترش فضای شدنی مسئله، به نمونه ها اجازه تخطی از ابرصفحات داده می شود و تاثیر داده های نوفه ای و دور افتاده در تشخیص نهایی کاهش می یابد. الگوریتم پیشنهادی، بر روی پنج مجموعه داده از داده های بالینی پزشکی، اجرا و نتایج آن با روش های ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و نزدیکترین همسایه مقایسه شده اند. میانگین دقت روش پیشنهادی نسبت به بهترین میانگین در روش های پیشین، حاکی از بهبود حدود ۷ % در نتایج تجربی می باشد. Noise

کلیدواژه ها:

یادگیری ماشین ، ماشین بردار پشتیبان دو قلو ، بهینه سازی محدب ، محدودیت های فازی ، تحمل ، اطمینان