نسیبه امامی - مربی، گروه علوم کامپیوتر، دانشگاه کوثر بجنورد، بجنورد

سرطان پستان دومین علت مرگ و میر ناشی از سرطان در زنان است. که با تشخیص به هنگام آن در میان انواع سرطان قابل درمان است. مدل های مبتنی بر داده کاوی و تکنیک های یادگیری ماشین برای کمک به پزشکان جهت تشخیص سرطان پستان توسعه داده شده اند. انتخاب ویژگی معمولا برای بهبود کارایی مدل ها اعمال می شود. در این مقاله الگوریتم فرا ابتکاری بهینه سازی ذرات آشوبناک جهت یافتن ویژگی های موثر برای طبقه بندی استفاده شده است. عملکرد الگوریتم پیشنهادی روی مجموعه داده Wisconsin Diagnosis Breast Cancer (WDBC) با استفاده از دقت طبقه بند اولین نزدیک ترین همسایه بررسی شد. نتایج بدست آمده نشان می دهد الگوریتم پیشنهادی با میانگین دقت 97.72 درصد عملکرد بهتری در مقایسه با سایر روش ها دارد.

انتخاب ویژگی، بهینه سازی ذرات، تیوری آشوب، طبقه بندی، سرطان پستان