آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,513 |
| تعداد مقالات | 18,455 |
| تعداد مشاهده مقاله | 60,158,455 |
| تعداد دریافت فایل اصل مقاله | 21,208,773 |
ارائه یک روش یادگیری ویژگی ترکیبی مبتنی بر الگوریتم شبیهسازی تبرید و برنامهنویسی ژنتیک (مطالعه موردی: تشخیص بدخیمی سرطان سینه) | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقاله 12، دوره 48، شماره 1 - شماره پیاپی 83، خرداد 1397، صفحه 127-136 اصل مقاله (1.34 M) | ||
| نویسندگان | ||
| رسول صادقی؛ فردین ابدالی محمدی* | ||
| دانشگاه رازی کرمانشاه - دانشکده فنی و مهندسی - گروه مهندسی کامپیوتر و فناوری اطلاعات | ||
| چکیده | ||
| امروزه استفاده از ابزارهای یادگیری ماشین در حوزههای مختلف ازجمله تشخیص بیماریها در حال گسترش است. علت این امر را میتوان عملکرد متغیر و متمایل به خطای انسان در مقابل عملکرد ثابت ابزارهای یادگیری ماشین در زمینه تشخیص و طبقهبندی دانست. حیاتی بودن تشخیص در حوزههایی مانند پزشکی، نیاز به بهبود تشخیص با روشهای یادگیری ماشین را توجیه میکند. ازجمله روشهای افزایش دقت در این زمینه، الگوریتمهای کاهش ویژگی و یادگیری ویژگی هستند. در این مقاله با ارائه یک روش یادگیری ویژگی، دقت روشهای مبتنی بر یادگیریماشین افزایش یافته است. روش پیشنهادی شامل سه فاز افزایش کیفیت داده، انتخاب ویژگی و یادگیری ویژگی است. در فاز اول، مقادیر ازدسترفته با شاخص پراکندگی میانگین و یا مد جایگزین میشوند در فاز دوم، الگوریتمی مبتنی بر الگوریتم شبیهسازی تبرید برای کاهش ویژگی و یافتن بهترین زیرمجموعه از ویژگیها ارائه شده است. در فاز نهایی نیز الگوریتمی مبتنی بر الگوریتم برنامهنویسی ژنتیک بهمنظور یادگیری ویژگیهای متمایزکننده ترکیبی ارائه شده است. روش پیشنهادی با استفاده از دو مجموعهداده استاندارد WBCD و WDBC ارزیابی شده است. نتایج بهدستآمده با آخرین دستاوردها مقایسه شده است که حاکی از عملکرد بهبودیافته الگوریتم پیشنهادی است. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ یادگیری ویژگی؛ برنامهنویسی ژنتیک؛ کاهش ویژگی؛ سرطان سینه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,005 تعداد دریافت فایل اصل مقاله: 1,146 |
||