دانلود مقاله الگوریتم گروهی بر مبنای ماشین بردار پشتیبان برای تشخیص سرطان سینه
تعداد صفحات فایل انگلیسی: 14 صفحه pdf
تعداد صفحات فایل ترجمه : 27 صفحه word فونت 14 B Nazanin
خلاصه
این الگوریتم یادگیری ماشین پشتیبان که بر مبنای الگئریتم یادگیری گروهی است را برای سرطان سینه مورد مطالعه قرار می دهد. تشخیص بیماری نقش بسیار مهمی را در مشخص کردن استراتژی های درمان ایفا می نماید که به مقدار زیادی به سلامت بیمار ربط دارد. این روزها مدل های طبقه بندی گوناگون در دامنه داده کاوی برای تشخیص سرطان سینه بر مبنای سوابق پیشین پزشکی بیمار اتخاذ شده اند. هرچند عملکرد هر الگوریتم وابسته به پیکربندهای گوناگون مانند نوع مشخصه های ورودی، و پارامترهای مدل وابسته است. برای غلبه بر محدودیت عملکرد مدل فردی این تحقیق بر روی تشخیص سرطان سینه با استفاده از الگوریتم یادگیری گروهی بر مبنای SVM استفاده می کند تا واریانس تشخیص را کاهش دهد و صحت تشخیص را افزایش دهد. 12 SVM گوناگون بر مبنای رویکرد Weighted Area Under the Receiver Operating Characteristic Curve Ensemble (WAUCE) ارائه شده هیبرید شده اند. برای ارزیابی عملکرد مدل ارائه شده مجموعه داده سرطان سینه Wisconsin Breast Cancer, Wisconsin Diagnostic Breast Cancer ، و U.S. National Cancer Institute’s Surveillance, Epidemiology, and End Results (SEER) مطالعه شده اند. نتایج تجربی نشان می دهد مدل WAUCE به صحت بالا و واریانس بسیار اندکی برای تشخیص سرطان سینه در مقایسه با سایر پنج مکانیسم گروهی و دو مدل گروهی رایج دست یافت، تقویت تطبیق یافته و درخت طبقه بندی کیسه ای. مدل WAUCE ارائه شده واریانس را تا 97.98 کاهش داد و صحت را تا 33.34 درصد در مقایسه با بهترین مدل SVM تکی بر وری مجموعه داده SEER افزایش داد. در عمل متدولوژی ارائه شده را میتوان برای تشخیص سایر بیماری ها نیز بکار برد. که یک فرایند ایمن قابل اطمینان، و بسیار قوی برای تشخیص بیماری ارائه می نماید.
A support vector machine-based ensemble algorithm for breast cancer diagnosis
Haifeng Wang a, Bichen Zheng a, Sang Won Yoon a ‘ *, Hoo Sang Ko b
abstract
This research studies a support vector machine (SVM)-based ensemble learning algorithm for breast cancer diagnosis. Illness diagnosis plays a critical role in designating treatment strategies, which are highly related to patient safety. Nowadays, numerous classification models in data mining domains are adapted to breast cancer diagnosis based on patients’ historical medical records. However, the performance of each algorithm depends on various model configurations, such as input feature types and model parameters. To tackle the limitation of individual model performance, this research focuses on breast cancer diagnosis that uses an SVM-based ensemble learning algorithm to reduce the diagnosis variance and increase diagnosis accuracy. Twelve different SVMs, based on the proposed Weighted Area Under the Receiver Operating Characteristic Curve Ensemble (WAUCE) approach, are hybridized. To evaluate the performance of the proposed model, Wisconsin Breast Cancer, Wisconsin Diagnostic Breast Cancer, and the U.S. National Cancer Institute’s Surveillance, Epidemiology, and End Results (SEER) program breast cancer datasets have been studied. The experimental results show that the WAUCE model achieves a higher accuracy with a significantly lower variance for breast cancer diagnosis compared to five other ensemble mechanisms and two common ensemble models, i.e., adaptive boosting and bagging classification tree. The proposed WAUCE model reduces the variance by 97.89% and increases accuracy by 33.34%, compared to the best single SVM model on the SEER dataset. In practice, the proposed methodology can be further applied to other illness diagnoses, which offers an alternative to a safer, more reliable, and more robust illness diagnosis process.
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله الگوریتم گروهی بر مبنای ماشین بردار پشتیبان برای تشخیص سرطان سینه
تعداد صفحات فایل انگلیسی: 14 صفحه pdf
تعداد صفحات فایل ترجمه : 27 صفحه word فونت 14 B Nazanin
خلاصه
این الگوریتم یادگیری ماشین پشتیبان که بر مبنای الگئریتم یادگیری گروهی است را برای سرطان سینه مورد مطالعه قرار می دهد. تشخیص بیماری نقش بسیار مهمی را در مشخص کردن استراتژی های درمان ایفا می نماید که به مقدار زیادی به سلامت بیمار ربط دارد. این روزها مدل های طبقه بندی گوناگون در دامنه داده کاوی برای تشخیص سرطان سینه بر مبنای سوابق پیشین پزشکی بیمار اتخاذ شده اند. هرچند عملکرد هر الگوریتم وابسته به پیکربندهای گوناگون مانند نوع مشخصه های ورودی، و پارامترهای مدل وابسته است. برای غلبه بر محدودیت عملکرد مدل فردی این تحقیق بر روی تشخیص سرطان سینه با استفاده از الگوریتم یادگیری گروهی بر مبنای SVM استفاده می کند تا واریانس تشخیص را کاهش دهد و صحت تشخیص را افزایش دهد. 12 SVM گوناگون بر مبنای رویکرد Weighted Area Under the Receiver Operating Characteristic Curve Ensemble (WAUCE) ارائه شده هیبرید شده اند. برای ارزیابی عملکرد مدل ارائه شده مجموعه داده سرطان سینه Wisconsin Breast Cancer, Wisconsin Diagnostic Breast Cancer ، و U.S. National Cancer Institute’s Surveillance, Epidemiology, and End Results (SEER) مطالعه شده اند. نتایج تجربی نشان می دهد مدل WAUCE به صحت بالا و واریانس بسیار اندکی برای تشخیص سرطان سینه در مقایسه با سایر پنج مکانیسم گروهی و دو مدل گروهی رایج دست یافت، تقویت تطبیق یافته و درخت طبقه بندی کیسه ای. مدل WAUCE ارائه شده واریانس را تا 97.98 کاهش داد و صحت را تا 33.34 درصد در مقایسه با بهترین مدل SVM تکی بر وری مجموعه داده SEER افزایش داد. در عمل متدولوژی ارائه شده را میتوان برای تشخیص سایر بیماری ها نیز بکار برد. که یک فرایند ایمن قابل اطمینان، و بسیار قوی برای تشخیص بیماری ارائه می نماید.
A support vector machine-based ensemble algorithm for breast cancer diagnosis
Haifeng Wang a, Bichen Zheng a, Sang Won Yoon a ‘ *, Hoo Sang Ko b
abstract
This research studies a support vector machine (SVM)-based ensemble learning algorithm for breast cancer diagnosis. Illness diagnosis plays a critical role in designating treatment strategies, which are highly related to patient safety. Nowadays, numerous classification models in data mining domains are adapted to breast cancer diagnosis based on patients’ historical medical records. However, the performance of each algorithm depends on various model configurations, such as input feature types and model parameters. To tackle the limitation of individual model performance, this research focuses on breast cancer diagnosis that uses an SVM-based ensemble learning algorithm to reduce the diagnosis variance and increase diagnosis accuracy. Twelve different SVMs, based on the proposed Weighted Area Under the Receiver Operating Characteristic Curve Ensemble (WAUCE) approach, are hybridized. To evaluate the performance of the proposed model, Wisconsin Breast Cancer, Wisconsin Diagnostic Breast Cancer, and the U.S. National Cancer Institute’s Surveillance, Epidemiology, and End Results (SEER) program breast cancer datasets have been studied. The experimental results show that the WAUCE model achieves a higher accuracy with a significantly lower variance for breast cancer diagnosis compared to five other ensemble mechanisms and two common ensemble models, i.e., adaptive boosting and bagging classification tree. The proposed WAUCE model reduces the variance by 97.89% and increases accuracy by 33.34%, compared to the best single SVM model on the SEER dataset. In practice, the proposed methodology can be further applied to other illness diagnoses, which offers an alternative to a safer, more reliable, and more robust illness diagnosis process.
دانلود رایگان مقاله انگلیسی