شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان SVM در متلب عنوان پروژه ای است که در این پست قرار داده ایم. شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان SVM در شبیه ساز محبوب متلب 2017 پیاده سازی شده است. این پروژه به دنبال تشخیص نوع سرطان سینه بدخیم و خوش خیم می پردازد و با استفاده از معیارهای دقت، صحت، F1 و Recall پیاده سازی ارزیابی می شود. در ادامه به تشریح روش پیاده سازی خواهیم پرداخت.
برنامهنویس: تیم برنامه نویسی پی استور
متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی
تیم برنامه نویسی پی استور یکی از اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.
دیتاست DataSet سرطان سینه
دیتاست مورداستفاده مجموعه داده بیماران سرطان سینه موجود در مخزن دادهی یادگیری ماشین دانشگاه ارواین، ایالت کالیفرنیا آمریکا (University of California at Irvine) است و در آدرس آنلاین (+) آن موجود میباشد. و شامل ریسک فاکتورهای ضخامت انبوه، یکنواختی اندازه سلول، یکنواختی شکل سلول، چسبندگی لبهها، حجم سلول بافت اپیتلیال، هستههای عریان، کروماتین بلاند، هسته عادی و تقسیم هسته سلول به دو قسمت میباشد که در ایالت ویسکانسین ایالاتمتحده جمعآوریشده است.
9 ویژگی در این ساختار مشخص است و سطر آخر نیز نمایان گر نوع کلاس است که بهصورت خوشخیم (2) و بدخیم (4) مشخصشده است و مشخصات تعداد 699 نمونه از افراد مبتلا به سرطان در این مجموعه داده در سال 1992 جمعآوریشده است. دادههای موجود در این مجموعه به سه دلیل بایستی پیشپردازش شوند. در این مجموعه داده، مقدار بعضی دادهها وارد نشده بود که بهاصطلاح دادههای گمشده بودند، هدف از این پیشپردازش این بود که دادههای گمشده حذف شوند که در روند شبیهسازی خطا را کم کنند. سطرهایی که شامل دادههای گمشده بودند حذف شدند که پسازاین مرحله 683 سطر باقی ماند. ازآنجاکه شماره شناسایی بیماران جزء فاکتورهای تشخیصی نوع سرطان پستان نبود در پیش پردازش داده ها حذف شدند.
شبیه سازی تشخیص سرطان سینه با الگوریتم SVM
شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان در متلب 2017 آماده شده است. که دارای 4 فایل .m می باشد.
- فایل main.m
این فایل تابع اصلی شبیه سازی می باشد که اجرای برنامه از آن شروع می شود. دیتاست پیش پردازش شده در متغیر IOdata ذخیره شده است 70 درصد از داده ها به صورت تصادفی به آموزش داده می شود و 30 درصد برای تست. معیارهای ارزیابی و نمودارها در این تابع فراخوانی می شوند.
- فایل IOdata.mat
این فایل همان دیتاست سرطان سینه می باشد که پیش پردازه شده و دارای 9 ویژگی می باشد.
- فایل confusionmatStats.m
معیارهای ارزیابی و آماری که فرمول های آنها در ادامه معرفی می شود در این قسمت پیاده سازی شده و از تابع اصلی صدا زده می شوند.
- فایل roc_curve.m
این فایل مربوط به رسم نمودار ROC می باشد که نسبت حساسیت به ویژگی را نشان می دهد.
خروجی شبیه سازی
بهطورکلی برای برسی میزان موفقیت و کارایی سیستم های دستهبندی و تشخیص بیماریها از ماتریس درهم ریختگی استفاده میشود. تحلیل ماتریس در هم ریختگی در دستهبندی و تشخیص بیماریها منجر به 4 حالت TP, TN, FP, FN میشود از نتایج ماتریس در هم ریختگی سه شاخص دقت, صحت و کارایی به دست میاید که برای تحلیل عملکرد سیستمهای طبقهبندی استفاده میشود. نمودار اول مربوط به تشخیص دسته بیماری می باشد نقاط آبی مقدار واقعی کلاس و نقاط قرمز تشخیص ماشین بردار پشتیبان از دیتا ست شبیه سازی تشخیص سرطان سینه می باشد.
برای ارزیابی از چهار معیار دقت، صحت، F1 و Recall استفاده شده است که با استفاده از فرمول های این معیار ها و ماتریس کانفیوژن که منجر به 4 حالت TP, TN, FP, FN میشود استفاده شده است شکل زیر عملکرد شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان SVM را نشان می دهد.
برای انواع خطاها در الگوریتمهای یادگیری از معیارهای دیگری که در ادامه مطرح شده است استفاده می شود:
- آمار کاپا (Kappa Statistic): یک معیار شانس درست است که برای تمییز کلاسبندی از کلاسهای درست استفاده میشود.
- میانگین خطای مطلق (MAE): خطای پیشبینی نزدیک به نتایج احتمالی را نشان میدهد.
- ریشه میانگین مربعات خطا (RMSE): مربعات ریشهی واریانس است و به عنوان خطای استاندارد شناخته میشود و مربعات خطای آموزشی را نشان میدهد.
- خطای نسبی مطلق (RAE): عبارت است از نسبت خطای مطلق به اندازه حقیقی.
- ریشه نسبی مربعات خطا (RRSE): مربعات خطای آموزشی نسبی را نشان میدهد.
شکل زیر مقادیر انواع خطاها در الگوریتمهای یادگیری را نشان می دهد.
نمودار زیر ROC نسبت حساسیت و ویژگی تشخیص بیماری را نشان می دهد.
ویدئوی معرفی
شبیه سازی تشخیص سرطان سینه با استفاده از الگوریتم ماشین بردار پشتیبان SVM در متلب 2014b توسط کارشناسان پی استور تست و اجرا شده است و دارای نشان تضمین کیفیت پی استور می باشد. این محصول دارای 4 فایل متلب به همراه توضیح فارسی در قالب word که شامل فرمول ها و متغیرهای شبیه سازی است بصورت zip شده قابل دانلود است. به محض خرید محصول با قیمت استثنایی لینک دانلود در دسترس خواهد بود.
مطالب مرتبط در زمینه شبیه سازی تشخیص بیماری
تاریخ انتشار: | 22 فروردین 1397 |
---|---|
تاریخ بروزرسانی: | 2 اسفند 1398 |
حجم فایل: | 0.3 مگابایت |
فرمت فایل | m. در قالب متلب |
نسخه: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2009 و بالاتر |
تاکنون 294 نفر این محصول را تهیه کرده اند و 2 نظر برای آن ثبت شده است.
نظرات و دیدگاه ها
قوانین ثبت دیدگاه
- لطفاً دیدگاه های خود را فارسی تایپ کنید.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- سوالات تخصصی خودتان را از طریق تیکت پشتیبانی مطرح کنید.
قیمت 59,000 تومان
تاریخ انتشار: | 22 فروردین 1397 |
---|---|
تاریخ بروزرسانی: | 2 اسفند 1398 |
حجم فایل: | 0.3 مگابایت |
فرمت فایل | m. در قالب متلب |
نسخه: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2009 و بالاتر |
2 بازخورد (مشاهده نظرات)
قیمت: 59,000 تومان
شبنم احمدی
همه چیز کامل بود. ممنون از شما عزیزان
مدیریت و پشتیبانی
نظرات و دیدگاه های خود را با ما درمیان بگذارید.