زیبا خنده زمین - دانشجوی کارشناسی ارشد، اهواز، بلوار گلستان، دانشگاه شهید چمران، دانشکده مهندسی، گروه کامپیوتر
مرجان نادران طحان - استادیار، اهواز، بلوار گلستان، دانشگاه شهید چمران، دانشکده مهندسی، گروه کامپیوتر
محمدجواد رشتی - استادیار، اهواز، بلوار گلستان، دانشگاه شهید چمران، دانشکده مهندسی، گروه کامپیوتر

سرطان پستان شایعترین سرطان در میان زنان است و وجود یک سیستم دقیق و مطمین برای تشخیص خوش خیم و یا بدخیم بودن توده سرطان ضروری است. امروزه با استفاده از نتایج سیتولوژی آسپیراسیون سوزنی و تکنیک های داده کاوی و یادگیری ماشین میتوان شناسایی و تشخیص زود هنگام سرطان پستان را با دقت بالاتری انجام داد. هدف این مقاله نیز بهبود دقت تشخیص سرطان سینه با بهره گیری از یادگیری ماشین است. در این مطالعه روشی پیشنهاد شده است که شامل دو مرحله است: در مرحله اول برای حذف ویژگی های کم اهمیت تر، از رگرسیون لجستیک استفاده شده است تا ویژگی های مهمتر انتخاب شوند. در مرحله دوم، از الگوریتم طبقه بندی ماشین بردار پشتیبان با سه هسته ی چندجمله ای، خطی و تابع پایه شعاعی برای تشخیص خوش خیم و بدخیم بودن نمونه ها استفاده شده است. برای ارزیابی کارایی روش پیشنهادی از دو مجموعه داده WBCD و WDBC و معیارهای دقت، ناحیه زیرنمودار AUC)ROC)، نرخ مثبت حقیقی، نرخ مثبت کاذب، صحت و معیار F بررسی شده اند. نتایج نشان میدهد که انتخاب ویژگی با رگرسیون لجستیک تاثیر بسزایی در افزایش دقت دسته بند ماشین بردار پشتیبان دارد. روش پیشنهادی از نظر دقت کلاس بندی برای مجموعه داده اول به دقت 98/42% و برای مجموعه داده دوم به دقت 98/77% میرسد.

سرطان پستان ،انتخاب ویژگی،رگرسیون لجستیک،ماشین بردار پشتیبان، یادگیری ماشین