پیش بینی تشخیص سرطان سینه با استفاده از الگوریتم KNN

یادگیری ماشین، به عنوان یکی از مهمترین شاخه های هوش مصنوعی، در سالهای اخیر به دلیل توانایی های برجسته اش در تحلیل داده ها و حل مسائل پیچیده، جایگاه ویژه ای در علوم مختلف به دست آورده است. این فناوری با بهره گیری از الگوریتم های پیشرفته، امکان پردازش حجم عظیمی از داده ها را فراهم کرده و به ویژه در حوزه پزشکی، نقشی کلیدی در بهبود تصمیم گیری های بالینی ایفا می کند. در این پژوهش، عملکرد چهار الگوریتم پرکاربرد یادگیری ماشین، شامل الگوریتم نزدیک ترین همسایه (KNN)، بیز ساده (Naive Bayes)، درخت تصمیم (Decision Tree) و ماشین بردار پشتیبان (SVM)، برای طبقه بندی داده های پزشکی مورد بررسی و مقایسه قرار گرفت. برای این منظور، از یک مجموعه داده معتبر شامل نتایج آزمایش های بالینی استفاده شد. داده ها ابتدا تحت فرآیند پاکسازی و پیش پردازش قرار گرفتند و سپس در محیط نرم افزار MATLAB پیاده سازی شدند. ارزیابی عملکرد الگوریتم ها بر اساس معیارهای مختلفی از جمله دقت (Accuracy)، بازخوانی (Recall)، میزان خطای اعتبارسنجی و سرعت اجرا انجام شد. نتایج حاصل از این مطالعه نشان داد که الگوریتم KNN با دستیابی به دقت ۲.۷۹ درصد و بازخوانی ۲.۷۹ درصد، عملکرد بهتری نسبت به سایر الگوریتم ها ارائه داد. الگوریتم SVM نیز دقت قابل قبولی داشت، اما زمان اجرای آن به طور قابل توجهی طولانی تر بود. در مقابل، الگوریتم بیز ساده با وجود سرعت بالای اجرا، دقت پایین تری از خود نشان داد. این پژوهش تاکید می کند که انتخاب الگوریتم مناسب یادگیری ماشین، با توجه به نوع داده ها و اهداف مسئله، تاثیر مستقیمی بر کیفیت نتایج دارد. استفاده از روش هایی مانند KNN، به ویژه در کاربردهایی که دقت بالا از اهمیت ویژه ای برخوردار است، می تواند نتایج مطلوبی به همراه داشته باشد و در پروژه های داده محور، به خصوص در حوزه های حساس مانند پزشکی، راهگشا باشد.

کلیدواژه ها:

یادگیری ماشین ، KNN ، درخت تصمیم ، SVM ، دادهکاوی