الگوریتم ماشین بردار پشتیبان SVM
الگوریتم ماشین بردار پشتیبان SVM به‌طور وسیعی در تشخیص بیماری‌ها استفاده می‌شود. زيرا دقت بالايی در پیش‌بینی دارد زنگ و همكاران در سال 2014 در تحقیقی ديگر براي استخراج ویژگی‌های مناسب SVM و K-means را معرفی كردند. در پژوهش آن‌ها الگوريتم K-means به‌طور جداگانه براي شناسايی الگوهاي پنهان در تومورهاي خوش‌خیم و بدخیم به كار گرفته می‌شود.
درجه عضويت هر تومور به هر یک از این الگوها محاسبه‌شده و به‌عنوان يک ويژگی جديد در مدل آموزشی استفاده می‌شود. سپس الگوریتم ماشین بردار پشتیبان SVM براي به دست آوردن يک كلاسیفاير جديد و در جهت تمیز دادن تومورهاي ورودي استفاده می‌شود.
بانک اطلاعاتی WDBC الگوریتم ماشین بردار پشتیبان SVM
آن‌ها براي پیاده‌سازی متد پیشنهادي خود از مجموعه داده بانک WDBC از دانشگاه كالیفرنیا استفاده كردند. این مجموعه داده در سال 1995 ارائه‌شده است. اين مجموعه شامل 32 ويژگی از 10 گروه است. متد پیشنهادي آن‌ها، بر اساس رويه اعتبار سنجی متقابل ده‌تایی، هنگام آزمايش، دقت را تا 38/97درصد افزايش می‌دهد. شش ويژگی مطلق از بین 32 ويژگی اصلی از تومور استخراج‌شده و در فاز آموزش استفاده می‌شود. با كاهش بعد فضاي ويژگی ورودي در الگوريتم K-SVM از 32 به 6 عدد، دقت تشخیص نیز افزايش يافت.
تاریخچه الگوریتم ماشین بردار پشتیبان SVM
در كاوشی ديگر ضیاومین و همكاران در سال 2013 به بررسی روش‌های انتخاب ويژگی براي طبقه‌بندی توده پرداخته‌اند. يک ماشین بردار پشتیبان بار اساس روش ویژگی‌های حذف بازگشائی SVM-RFE با NMIFS ادغام‌شده است تا از معايب هر يک از آن‌ها جلوگیري شود درحالی‌که هر يک مزاياي خود رادارند و سپس يک روش انتخاب ويژگی جديد پیشنهاد شده است، كه آن را SVM-RFE با پالایه NMIFS، SRN نامیده‌اند.
الگوريتم طبقه‌بندی K-NN پاس از كاهش ابعاد با تجزیه‌وتحلیل تفكیک خطی استفاده‌شده و الگوریتم ماشین بردار پشتیبان SVM براي طبقه‌بندی نهايی مورداستفاده قرارگرفته است. نتايج تجربی نشان می‌دهد كه روش پیشنهادي SRN به‌طور قابل‌توجهی دقیق‌تر از ساير روش‌های گذشته است.
الگوریتم ماشین بردار پشتیبان SVM در سال های اخیر
اخیراً در سال جاری (2016) گروهی از محققین مراکشی و فرانسوی از الگوریتم‌های یادگیری ماشین جهت پیش‌بینی و تشخیص خطر ابتلا به بیماری سرطان سینه استفاده نمودند. این گروه در تحقیقات خود اقدام به مقایسه چهار الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، درخت تصمیم (C 4.5)، Naive Bayes و k-نزدیک‌ترین همسایه نموده و به این نتیجه رسیدند که الگوریتم ماشین بردار پشتیبان با کمترین نرخ خطا دارای بیشترین دقت تشخیص می‌باشد.