زنگ و همكاران در سال 2014 در تحقیقی دیگر برای استخراج ویژگیهای مناسب SVM و K-means را معرفی كردند. در پژوهش آنها الگوریتم K-means بهطور جداگانه برای شناسایی الگوهای پنهان در تومورهای خوشخیم و بدخیم به كار گرفته میشود.
درجه عضویت هر تومور به هر یک از این الگوها محاسبهشده و بهعنوان یک ویژگی جدید در مدل آموزشی استفاده میشود. سپس الگوریتم ماشین بردار پشتیبان SVM برای به دست آوردن یک كلاسیفایر جدید و در جهت تمیز دادن تومورهای ورودی استفاده میشود.
آنها برای پیادهسازی متد پیشنهادی خود از مجموعه داده بانک WDBC از دانشگاه كالیفرنیا استفاده كردند. این مجموعه داده در سال 1995 ارائهشده است. این مجموعه شامل 32 ویژگی از 10 گروه است. متد پیشنهادی آنها، بر اساس روییه اعتبار سنجی متقابل دهتایی، هنگام آزمایش، دقت را تا 38/97درصد افزایش میدهد. شش ویژگی مطلق از بین 32 ویژگی اصلی از تومور استخراجشده و در فاز آموزش استفاده میشود. با كاهش بعد فضای ویژگی ورودی در الگوریتم K-SVM از 32 به 6 عدد، دقت تشخیص نیز افزایش یافت.
در كاوشی دیگر ضیاومین و همكاران در سال 2013 به بررسی روشهای انتخاب ویژگی برای طبقهبندی توده پرداختهاند. یک ماشین بردار پشتیبان بار اساس روش ویژگیهای حذف بازگشائی SVM-RFE با NMIFS ادغامشده است تا از معایب هر یک از آنها جلوگیری شود درحالیکه هر یک مزایای خود رادارند و سپس یک روش انتخاب ویژگی جدید پیشنهاد شده است، كه آن را SVM-RFE با پالایه NMIFS، SRN نامیدهاند.
الگوریتم طبقهبندی K-NN پاس از كاهش ابعاد با تجزیهوتحلیل تفكیک خطی استفادهشده و الگوریتم ماشین بردار پشتیبان SVM برای طبقهبندی نهایی مورداستفاده قرارگرفته است. نتایج تجربی نشان میدهد كه روش پیشنهادی SRN بهطور قابلتوجهی دقیقتر از سایر روشهای گذشته است.
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.
یک پاسخ
نظرات و دیدگاه های خود را برای هرچه بهتر قرار دادن مطالب با ما در میان بگذارید.