انتخاب ویژگی بهینه با استفاده از تکامل تفاضلی برای تشخیص موثر سرطان سینه

انتخاب ویژگی بهینه با استفاده از تکامل تفاضلی برای تشخیص موثر سرطان سینه


  • 271 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

چکیده
با توسعه ی فناوری های بالینی، ویژگی های مختلف تومور برای تشخیص سرطان سینه جمع آوری شده است. هدف از این پژوهش، تشخیص سرطان سینه بر اساس انتخاب ویژگی های تومور است. انتخاب ویژگی در کیفیت طبقه بندی کننده های بر پایهی روش های داده کاوی حیاتی است. تکامل تفاضلی توجه زیادی را به عنوان یک روش جستجوی قدرتمند به خود جلب کرده است و با موفقیت در انواع برنامه های کاربردی از جمله تشخیص الگو استفاده می شود. یکی از مهم ترین وظایف در بسیاری از سیستم های تشخیص الگو پیدا کردن یک زیر مجموعه از ویژگی های مفید است که می تواند به طور موثر نشان دهنده مسئله باشد. به طور خاص، تعداد زیاد ویژگی ها می تواند بر روی دقت و صحت طبقه بندی و زمان یادگیری سیستم تاثیر گذارد. به منظور رفع این مشکلات، ما برای شناسایی زیرمجموعه ویژگی های مربوط به سرطان سینه از روش انتخاب ویژگی تکامل تفاضلی و چرخ استفاد کرده ایم. استفاده از انتخاب ویژگی با هدف کاهش فضای جستجو و بدست آوردن بهترین ویژگی های سرطان سینه برای بدست آوردن بهترین صحت طبقه بندی صورت می گیرد.

نتیجه گیری 
در این مقاله برای بدست آوردن زیر مجموعه ویژگی بهینه سرطان سینه و بدست آوردن بالاترین صحت طبقه بندی از استراتژی تکامل تفاضلی و چرخ استفاده شد. انتخاب ویژگی یک مجموعه ویژگی بسیار موثر و فشرده برای الگوریتم های یادگیری ماشین برای آموزش طبقه بندی کننده فراهم می کند. نتایج نه تنها نشان دهنده قابلیت روش در تشخیص سرطان سینه است بلکه صرفه جویی در زمان را در مرحله آموزش نشان می دهد پزشکان همچنین می توانند از ویژگی های انتخاب شده، از درک بهتر خواص انواع مختلف تومورها بهره مند شوند. انتخاب ویژگی هنوز هم یک چالش برای محققان می باشد. در همین حال، مجموعه داده های بزرگ با مقادیر از دست رفته می تواند چالش دیگری برای در نظر گرفتن باشد. در این پژوهش، مجموعه داده ی مورد استفاده مجموعه داده کامل بدون مقادیر از دست رفته است. با این حال، اجرای این روش در مجموعه داده های مقیاس بزرگ تنک جهتی برای گسترش در آینده است.

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.