تشخیص سرطان سینه بااستفاده ازرویکردترکیبی جدید انتخاب ویژگی مبتنی برالگوریتم فاخته ودسته بندی کننده ماشین بردارپشتیبان

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,031

فایل این مقاله در 6 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:

ICEEE05_513

تاریخ نمایه سازی: 3 آذر 1392

چکیده مقاله:

سرطان سینه نوعی سرطان بانرخ مرگ و میربالا درمیان زنان است تشخیص به موقع سرطان سینه شانس زنده ماندن بیمار را افزایش میدهد بنابراین وجود یک سیستم دقیق ومطمئن برای تشخیص به موقع خوش خیم یابدخیم بودن تومورسینه ضروری به نظر می رسد مسئله انتخاب ویژگی یکی ازمسائل مهمی است که دریادگیری ماشین و شناسایی اماری الگو مطرح است دراین مقاله یک الگوریتم ترکیبی جدید مبتنی برفیلترو رپر برای انتخاب زیرمجموعه بهینه ویژگیها براساس الگوریتم بهینه سازی فاخته و برای کلاس بندی توسط ماشین بردارپشتیبان ارایه میشود فیلترمورد استفاده برپایه اطلاعات متقابل و ترکیبی از معیارهای ارتباط وافزونگی ویژگیهای انتخاب شده است و الگوریتم بهینه سازی فاخته به عنان رپر مورداستفاده قرارمیگیرد این مدل بطور منحصربفردی کارایی فیلترها و دقت رپرها را نمایش میدهد این الگوریم برروی دومجموعه داده معروف سرطان سینه تست گردیده است نتایج شبیه سازی نشان میدهد این الگوریتم هم ازنظر کارایی محاسباتی و هم ازنظر دقت کلاس بندی عملکردبسیارمناسبی ارایه میدهد

کلیدواژه ها:

نویسندگان

مژده داروگر

دانشگاه آزاد اسلامی واحد علوم و تحقیقات یزد

پویا درخشان برجویی

دانشگاه آزاد اسلامی واحد علوم و تحقیقات یزد

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 :
  • مبتلایان مورد استفاده قرار گرفته است. هدف این پژوهش دسته ...
  • Litigate J. Predictive models for breast cancer susceptibility from multiple ...
  • H. Liu, L. Yu, Towards integrating feature selection algorithms for ...
  • M. Dash, H. Liu, Feature selection for classification, Intelligent Data ...
  • relevance and redundancy", Journal of Machine Learning Research, Vol. 5, ...
  • D. Lewis, "Feature selection and feature extraction for text categorization", ...
  • Network, Vol.5, No. 4, pp. 537-550, 1995. ...
  • IEEE Transactions On Neural Network, vol.16, No.1, pp. 213-224, 2005. ...
  • H. Liu, J. Sun, L. Liu, H. Zhang, Feature selection ...
  • M. Sebban, R. Nock, "A hybrid filter/wrapper approach of feature ...
  • P. Mitra, C.A. Murthy, S.K. Pal, "Unsupervised feature selection using ...
  • Y. Peng, W. Li, Y. Liu, "A hybrid approach for ...
  • Y. Liu, Y.F. Zheng, "FS-SFS: a novel feature selection method ...
  • S. Qinbao, N. Jingjie and W. Guangtao, _ Fast Clustering-B ...
  • S. Das, "Filters, wrappers and a boosting-based hybrid for feature ...
  • A. Sharma, S. Imoto and S. Miyano, _ Top-r Feature ...
  • R. Rajabioun, "Cuckoo Optimization Algorithm", Applied Soft Computing Jourmal", Vol. ...
  • A. Frank and A. Asuncion, "UCI machine learning repository", 2010. ...
  • نمایش کامل مراجع