تشخیص سرطان سینه با استفاده ازترکیب تکنیکهای طبقه بندی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 691

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCONF03_331

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

یکی از مهمترین مشکلات در مسائل ماشینهای یادگیری داده کای و شناخت الگو مساله طبقه بند ی است جالش مهم در ایجاد ترکیب طبقه بندی ها فراهم سازی یک طرح کلی ازترکیب بهترین طبقه بند هاست که با برچسبهای حقیقی شباهت بیشتری داشته باشند در این مقاله متد جدیدی تحت عنوان انخاب طبقه بندی مبتنی بردرخت تصمیم وکدگذاری تنک برای ایجاد ترکیب طبقه بندی ها در تشخیص بیماری سرطان ارائه شدهاست که به متد بکینگ امکان انخاب بهینه طبقه بندها را با استفاده از کدگذاری تنک می دهد ترکیب چند یادگیر با روش بگینگ که یکی از روشهای ادغام چند یادگیر است نتیجه خوبی در بالا بردن دقت دارد متد بگینگ میتواند روی الگوریتمهای پایدادری مثل ؛ بردار پیشتیبان و بیز ساده و نزدیکترین همسایه نیز تاثیر خوبی داشته باشد

نویسندگان

نسیم عرب

دانشجویکارشناسی ارشد نرم افزار گروه کامپیوتر دانشگاه آزاد اسلامی واحد ساری مازندران

حسین نعمت زاده بالا گتابی

عضو هیئت علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد ساری مازندران

سجاد توسلی

عضو هیئت علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد ساری مازندران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • هان، ژیاوی. کمبر، میشلین. پی، ژان، مترجم: دکتر مهدی اسماعیلی، ...
  • صنیعی آباده، محمد. سینا محمودی، محدثه طاهرپرور، "کتاب داده کاوی ...
  • Shweta Kharya, 2012, using data mining techniques for diagnosis and ...
  • Jiawei Han and Micheline Kamber , 2006, Data Mining: Concepts ...
  • Grigorios Tsoumakas, Lefteris Angelis and Ioannis Vlahavas, 2005, selective fusion ...
  • 14, Proposing a classifier ensemble framework based On classifier selection ...
  • Salama, G.I. Abdelhalim, M.B. ; Zeid, M.A., 2012, Experimental comparison ...
  • Saba Bashir. Usman Qamar _ Farhan Hassan Khan, 2014, Heterogeneous ...
  • Hui Wang, Gang Huang, 2011, Application of support vector machine ...
  • H Parvin, B Minaei-B idgoli, H Shahpar - Pattern Recognition ...
  • Radha, R, 2014, Using K-Means Clustering Technique to Study of ...
  • Hamid Parvin a , Behrouz Minaei -Bidgoli a , Hamid ...
  • Ahmad Taher Azar, Shereen M. El-Metwally, (20 12), Decision tree ...
  • Zhi-Hua Zhou, 2009, ensemble learning, Springer , pp:270-273, ISBN: 978-0-387- ...
  • Lior Rokach, En semble-based classifiers, 20 10, Artificial Intelligence Review, ...
  • Philip Breen, 2009, Algorithms for Sparse Appro ximation, University of ...
  • Ethem Alpaydin , Introduction to Machine Learning, Second Edition 2010 ...
  • نمایش کامل مراجع