طبقه بند نزدیک ترین همسایه، با ارزیابی زیر مجموعه های مبتنی بر سازگاری و انتخاب نمونه برای تشخیص خودکار سرطان پستان

سرطان پستان یکی از رایج ترین و کشنده ترین سرطان ها برای زنان است. تشخیص زودهنگام و درمان سرطان پستان می تواند شانس حیات بیماران را افزایش دهد. توسعه مدلهای طبقه بندی با دقت بالا یک وظیفه مهم در بخش انفورماتیک پزشکی است. الگوریتمهای یادگیری ماشین به طور گسترده ای برای ایجاد مدلهای طبقه بندی قوی و کارآمد استفاده میشوند. در این مقاله، یک مدل طبقه بندی هوشمند ترکیبی برای تشخیص سرطان پستان ارائه میکنیم. مدل طبقه بندی پیشنهادی شامل سه مرحله است: انتخاب نمونه، انتخاب ویژگی و طبقه بندی. در انتخاب نمونه، روش انتخاب نمونه فازی-ناهموار بر اساس ارزیاب گامای ضعیف برای حذف نمونه های نامناسب و غلط استفاده میشود. در انتخاب ویژگی، روش انتخاب ویژگی مبتنی بر سازگاری همراه با الگوریتم رتبه بندی مجدد به دلیل کارایی آن در کاوش فضای جستجو استفاده میشود. در فاز طبقه بندی مدل، الگوریتم نزدیکترین همسایگان فازی به کار میرود. از آنجا که این طبقه بندی به مقدار بهینه برای K همسایگان نیازی ندارد و دارای مقادیر اطمینان کلاس غنی تری است، این روش برای انجام وظیفه طبقه بندی استفاده میشود. برای آزمایش کارایی مدل طبقه بندی پیشنهادی ما از پایگاه داده سرطان پستان ویسکانسین (WBCD) استفاده کردیم. عملکرد با استفاده از شاخص های دقت طبقه بندی، حساسیت، ویژگی، معیار F، سطح تحت منحنی و آمار کاپا ارزیابی میشود. دقت طبقه بندی به دست آمده 99,7151٪ است که نتیجه بسیار مثبتی در مقایسه با آثار موجود است که از مجموعه داده های مشابه استفاده کردهاند.

Keywords:

داده کاوی , یادگیری ماشین – طبقه بندی , خوشه بندی , انتخاب ویژگی , مدل سازی داده ها , پیشبینی