افزایش دقت در تشخیص بیماری دیابت مبتنی بر انتخاب ویژگی های موثر با رویکرد توسعه ی ماشین بردار پشتیبان

تعداد زیاد پارامترها، پیش بینی بیماری راحتی برای متخصصین دشوار می کند. از اینرو اخیرا ابزار تشخیص کامپیوتری با هدف کمک به پزشک، مورد استفاده قرار می گیرد. این امر باعث کاهش خطاهای ناشی از خستگی یا بی تجربگی متخصصین شده و داده های پزشکی مورد نیاز، طی مدت زمان کمتر و با دقت بیشتر در اختیار پزشک قرار گیرد. تفسیر داده های دیابتی یک مشکل مهم در طبقه بندی است. برای دیدن دقت پیش بینی در طبقه بندی داده های دیابتی، روش های یادگیری ماشین مختلفی بکار برده می شود که از جمله آنها میتوان به ماشین بردار پشتیبان یا SVM اشاره کرد. با توجه به موفقیت نسخه های توسعه یافته SVM در کاربردهای یادگیری ماشین، داین پژوهش فرضیه موثر بودن آنها در تشخیص بیماری دیابت مطرح شد و از آنجاییکه ویژگی های دادگان آموزشی تاثیر فراوانی روی این پژوهش فرضیه موثر بودن آنها در تشخیص بیماری دیابت مطرح شد و از آنجاییکه ویژگی های دادگان آموزشی تاثیر فراوانی روی الگوریتم PCC که نسخه ای توسعه یافته از SVM است صورت گرفته است. داده های استفاده شده در این پژوهش مجموعه داده های PIMA می باشد. این مجموعه داده با استفاده از نرم افزار MATLAB مورد ارزیابی قرار گرفته است. ارزیابی روش پیشنهادی نشان دهنده صحت 78.65 است که در مقایسه با دیگر پژوهش ها دقت بالاتری را نشان می دهد

Keywords:

افزایش دقت , بیماری دیابت , تشخیص , ماشین بردار پشتیبان توسعه , توسعه , انتخاب ویژگی