ارائه رويكرديادگيرنده مبتني بر ماشين بردار پشتيبان به منظور تشخيص سرطان

Provide a backup vector machine-based meta detector to detect cancer

در اين تحقيق يك رويكرد يادگيرنده براي تشخيص سرطان سينهبر اساس مدل ماشين بردار پشتيبانارائه مي گردد. تشخيص بيماري نقش مهمي را در تعيين استراتژي هاي درمان ايفا مي كند كه به شدت سلامتي بيماران را تحت تاثير قرار مي دهد. امروزه، مدل هاي طبقه بندي متعددي در حوزه هاي داده كاوي با تشخيص سرطان بر اساس پرونده هاي پزشكي قبلي بيمار پيشنهاد شده است.در اين روشها، عملكرد هر الگوريتم بستگي به تنظيمات مختلف مدل، مانند انواع ويژگي هاي ورودي و پارامترهاي مدل دارد. براي مقابله با محدوديت عملكرد مدل ، اين تحقيق در تشخيص سرطان بر ارايه يك رويكرد مبتني بر روش يادگيرنده گروهي مبتني بر ماشين بردار پشتيبان براي كاهش واريانس تشخيص و افزايش دقت آن بهره مي گيرد. در عمل، روش پيشنهادي را مي توان به ساير روشهاي تشخيص بيماريهاي سخت و صعب العلاج مانند سرطان تعميم داد كه جايگزين روش هاي تشخيص بيماري با متدلوژي ايمن تر، قابل اطمينان تر و قوي تر مي شود.

In this research, a learning approach to detect breast cancer is supported based on the car model model. Diagnosis plays an important role in determining the strategies of treatment that greatly affects the health of patients. Today, multiple classification models are proposed in the field of data mining with cancer diagnosis based on previous patient medical records. In these methods, the function of each algorithm depends on different model settings, such as the types of input features and model parameters. To cope with the model s performance limitation, this cancer-based research utilizes a group-based learning-based approach based on a backup machine to reduce detection variance and increase its accuracy. In practice, the proposed method can be extended to other methods for the diagnosis of severe and severe disease such as cancer, which replaces the diagnostic methods with a safer, more reliable and more robust methodology.