تشخيص هوشمند بيماري كليوي مزمن با تركيب ماشين بردار پشتيبان و الگوريتم هاي پوششي

Intelligent detection of chronic kidney disease by combining support vector machines and Wrapper algorithm

بيماري‌هاي كليوي مزمن يكي از شايع ترين و رو به رشدترين نوع بيماري هاست كه تشخيص به‌موقع آن، شانس زنده ماندن و بهبود بهتر را افزايش مي دهد. امروزه، با توجه به بانك هاي اطلاعاتي مي‌توان از داده كاوي به‌طور گسترده اي براي تشخيص استفاده كرد. با گسترش فنّاوري حجم زيادي از داده هاي مرتبط با مريضي‌هاي كليوي و با ابعاد بالا توليد شده‌اند كه استفاده از همه‌ي آن‌ها علاوه بر مقرون‌به‌صرفه نبودن، حتي باعث كاهش دقت مدل تشخيصي نيز مي گردد. در اين بررسي، از تركيب الگوريتم پوششي و روش ماشين بردار پشتيبان يا SVM براي كاهش ويژگي استفاده‌شده است. بدين ترتيب كه ابتدا زيرمجموعه هايي از ويژگي‌هاي تصادفي انتخابي به الگوريتم SVM فرستاده مي‌شوند. سپس با توجه به‌دقت برآورد شده درنتيجه‌ي كار با آن ويژگي‌ها، ويژگي‌هايي كه مي توانند دقت بالاتري را ارائه دهند كنار گذاشته مي‌شوند. سپس زيرمجموعه¬ي نهايي از ويژگي هاي انتخابي و تعداد آن، پس از توقف الگوريتم پوششي مشخص‌شده و از آن براي آموزش و ايجاد مدل دسته‌بندي كننده با الگوريتم SVM استفاده شد. در پايان روش ارائه‌شده ازنظر دقت، حساسيت، اختصاصيت روي داده¬هاي پايگاه اطلاعاتي UCI مورد ارزيابي واقع گرديد.

Chronic kidney disease is one of the most common and fastest growing disease in the world that early diagnosis make happens the survival rate increases. Today, we can use datamining for diagnosis according to widely data banks. In this study, the algorithms of Wrapper and SVM reduced the data used to decrease the time of determination. At first, subset of features sent to SVM algorithm was randomly selected. Considering the accuracy of results with those features, our developed algorithm extracts the features that can provide higher accuracy. Then the final subset of selected features and their number were used to create a SVM classifier algorithm. At the end, the proposed method assessed in terms of accuracy, sensitivity, specificity based on one real UCI dataset.