تعداد صفحات فایل ترجمه : 11 صفحه word فونت 14 B Nazanin
3205 ورد
خلاصه: سرطان سینه مشکل قابل توجه در میان زنان است که در سراسر دنیا موجب مرگ فرد می گردد. این بیماری به دو صورت خوش خیم و بدخیم شناخته شده است. بنابراین فرایند تشخیص قابل اطمینانی را می طلبد تا بتواند تفاوت میان تومور خوشخیم و بدخیم را تشخیص دهد. بنابراین اتوماسیون این فرایند نیاز است تا تومورها را شناسایی کند. کارهای تحقیقاتی گوناگونی تلاش کرده اد تا با استفاده از الکوریتم های یادگیری ماشین سرطان سینه را طبقه بندی نمایند و توسط بسیاری از محققان اثبات شده است که الگوریتم های یادگیری ماشین در فرایند تشخیص ارجح می باشند. در این مقاله سه الگوریتم یادگیری ماشین (Support Vector Machine, K-nearestneighbors, and Decision tree) مورد استفاده قرار گرفتند و عملکرد این سه طبقه بندی کننده با همدگیر مقایسه شده است تا از میان آن بهترین در طبقه بندی سرطان سینه تعیین شود. علاوه براین مجموعه داده Wisconsin Breast Cancer (Diagnostic) در این مطالعه مورد استفاده قرار گرفته است. هدف این مطالعه مقایسه جچندین طبقه بندی کننده و یافتن بهترین آن هست که بالاترین میزان صحت را می دهد. نتایج این تحقیق نشان می دهد ماشین بردار پشتیبان درجه دوم بالاترین میزان صحت 98.1 درصد را با کمتریم میزان تشخیص غلط پشتیبانی می کند. آزمایشات این تحقیق در محیط متلب که دارای جعبه ابراز اختصاصی برای الگوریتم های یادگیری ماشین می باشد، اجرا و مدیریت شده اند
Evaluating the Performance of Machine Learning Techniques in the Classification of Wisconsin Breast Cancer
Omar Ibrahim Obaid 1*, Mazin Abed Mohammed2, Mohd Khanapi Abd Ghani3, Salama A. Mostafa4, Fahad Taha
AL-Dhief 5
Abstract
Breast cancer is a considerable problem among the women and causes death around the world. This disease can be detected by distinguishing malignant and benign tumors. Hence, doctors require trustworthy diagnosing process in order to differentiate between malignant and benign tumors. Therefore, the automation of this process is required to recognize tumors. Numerous research works have tried to apply the algorithms of machine learning for classifying breast cancer and it was proven by many researchers that machine learning algorithms act preferable in the diagnosing process. In this paper, three machine-learning algorithms (Support Vector Machine, K-nearest neighbors, and Decision tree) have been used and the performance of these classifiers has been compared in order to detect which classifier works better in the classification of breast cancer. Furthermore, the dataset of Wisconsin Breast Cancer (Diagnostic) has been used in this study. The main aim of this work is to make comparison among several classifiers and find the best classifier which gives better accuracy. The outcomes of this study have revealed that quadratic support vector machine grants the largest accuracy of (98.1%) with lowest false discovery rates. The experiments of this study have been carried out and managed in Matlab which has a special toolbox for machine learning algorithms.
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله ارزیابی عملکرد تکنیک های یادگیری ماشین در طبقه بندی سرطان سینه Wisconsin
تعداد صفحات فایل انگلیسی: 8 صفحه pdf
تعداد صفحات فایل ترجمه : 11 صفحه word فونت 14 B Nazanin
3205 ورد
خلاصه: سرطان سینه مشکل قابل توجه در میان زنان است که در سراسر دنیا موجب مرگ فرد می گردد. این بیماری به دو صورت خوش خیم و بدخیم شناخته شده است. بنابراین فرایند تشخیص قابل اطمینانی را می طلبد تا بتواند تفاوت میان تومور خوشخیم و بدخیم را تشخیص دهد. بنابراین اتوماسیون این فرایند نیاز است تا تومورها را شناسایی کند. کارهای تحقیقاتی گوناگونی تلاش کرده اد تا با استفاده از الکوریتم های یادگیری ماشین سرطان سینه را طبقه بندی نمایند و توسط بسیاری از محققان اثبات شده است که الگوریتم های یادگیری ماشین در فرایند تشخیص ارجح می باشند. در این مقاله سه الگوریتم یادگیری ماشین (Support Vector Machine, K-nearest neighbors, and Decision tree) مورد استفاده قرار گرفتند و عملکرد این سه طبقه بندی کننده با همدگیر مقایسه شده است تا از میان آن بهترین در طبقه بندی سرطان سینه تعیین شود. علاوه براین مجموعه داده Wisconsin Breast Cancer (Diagnostic) در این مطالعه مورد استفاده قرار گرفته است. هدف این مطالعه مقایسه جچندین طبقه بندی کننده و یافتن بهترین آن هست که بالاترین میزان صحت را می دهد. نتایج این تحقیق نشان می دهد ماشین بردار پشتیبان درجه دوم بالاترین میزان صحت 98.1 درصد را با کمتریم میزان تشخیص غلط پشتیبانی می کند. آزمایشات این تحقیق در محیط متلب که دارای جعبه ابراز اختصاصی برای الگوریتم های یادگیری ماشین می باشد، اجرا و مدیریت شده اند
Evaluating the Performance of Machine Learning Techniques in the Classification of Wisconsin Breast Cancer
Omar Ibrahim Obaid 1*, Mazin Abed Mohammed2, Mohd Khanapi Abd Ghani3, Salama A. Mostafa4, Fahad Taha
AL-Dhief 5
Abstract
Breast cancer is a considerable problem among the women and causes death around the world. This disease can be detected by distinguishing malignant and benign tumors. Hence, doctors require trustworthy diagnosing process in order to differentiate between malignant and benign tumors. Therefore, the automation of this process is required to recognize tumors. Numerous research works have tried to apply the algorithms of machine learning for classifying breast cancer and it was proven by many researchers that machine learning algorithms act preferable in the diagnosing process. In this paper, three machine-learning algorithms (Support Vector Machine, K-nearest neighbors, and Decision tree) have been used and the performance of these classifiers has been compared in order to detect which classifier works better in the classification of breast cancer. Furthermore, the dataset of Wisconsin Breast Cancer (Diagnostic) has been used in this study. The main aim of this work is to make comparison among several classifiers and find the best classifier which gives better accuracy. The outcomes of this study have revealed that quadratic support vector machine grants the largest accuracy of (98.1%) with lowest false discovery rates. The experiments of this study have been carried out and managed in Matlab which has a special toolbox for machine learning algorithms.
دانلود رایگان مقاله انگلیسی