پيش بيني بيماري هاي مزمن با داده هاي نامتوازن توسط ماشين بردار پشتيبان گرانشي

با پيشرفت تكنولوژي، روش‌هاي مبتني بر داده براي تشخيص انواع بيماري ها، به طور گسترده‌اي مورد توجه قرار گرفته ‌است. در طبقه بندي بيماري ها، تشحيص درست فرد ناسالم نسبت به تشخيص درست يك فرد سالم از اهميت بيشتري برخودار است. اغلب داده هاي اين بيماري ها داراي جامعه ي بيمار كوچك و جامعه ي سالم بزرگتري است. در اين مقاله با تعريف يك تابع وزن ويژه در مدل وزني الگوريتم twin svm ، نشان داده مي شود اختصاص وزن به گروه كوچكتر مي تواند در تشخيص طبقه ي نمونه ها موثرتر باشد، ابتدا مفاهيم پايه اي مدل را بيان نموده سپس علاوه بر روال الگوريتم هاي ديگر، براي داده هاي كلاس كوچكتر نيز وزن اختصاص داده مي شود. سپس از چندين مجموعه داده ي بيماريهاي مزمن مانند سرطان، ديابت و آلزايمر و ...، براي ارزيابي عملكرد روش استفاده نموده با مقايسه ي نتايج با چند روش ديگر، نشان داده مي شود روش مورد استفاده مي‌تواند با دقت بهتري نمونه ها را طبقه بندي كرده، نمونه هاي كلاس كوچكتر را نيز با دقت بالاتري تشخيص دهد بنابراين مي توان انتظار داشت بر روش‌هاي ديگر برتري داشته باشد.