تأثیر روش های کاهش بعد بر روی تشخیص بیماری سرطان ریه

بیماری سرطان ریه یکی از بیماری های مشترک جهانی است که با تشخیص زودهنگام آن، می توان پیشرفت بیماری را به تأخیر انداخت و یا آن را درمان کرد. طبقه بندی سرطان ریه، از نظر بهبود تشخیص در سطح جهان و همچنین ارائه راهکارهایی جهت درمان، امری حیاتی است. بنابراین، تکنیک های داده کاوی و یادگیری ماشین می تواند برای کشف دانش و شناسایی الگوهایی جهت طبقه بندی، مفید باشد. از آنجا که برخی ویژگی ها حاوی نویز هستند و یا اطلاعات کمی دارند، مسئله انتخاب ویژگی، زیرمجموعه ای کارا از ویژگی ها را از داده های خام ایجاد می کند. این واقعیت که کاهش ابعاد باعث بهبود عملکرد محاسباتی طبقه بندی می شود، منجر به ایجاد مدل های سریع و کم هزینه در طبقه بندی شده و باعث می شود که تکنیک های داده کاوی و یادگیری ماشین محبوبیت ویژه ای بیابند. در این مقاله ما با استفاده از مجموعه ای از روش های فیلتر و بسته بندی به همراه روش های یادگیری ماشین، به طبقه بندی داده های سرطان ریه می پردازیم. ما نشان می دهیم که تکنیک های انتخاب ویژگی، ما را قادر می سازد که طبقه بندی دقیقی در حداقل زمان با استفاده از ابعاد کمتر داشته باشیم.

Keywords:

تشخیص سرطان ریه , کاهش بعد , داده کاوی , دسته بندی