تشخيص بيماري ديابت مبتني بر انتخاب ويژگي‌هاي موثر با رويكرد توسعه‌ي ماشين بردار پشتيبان

Increasing the accuracy of diabetes diagnosis based on the selection of effective features with the approach of Development in support vector machine

تعداد زياد پارامترها، پيش‌بيني بيماري را حتي براي متخصصين دشوار مي كند. از اينرو اخيرا ابزار تشخيص كامپيوتري با هدف كمك به پزشك، مورد استفاده قرار مي‌گيرد. اين امر باعث كاهش خطاهاي ناشي از خستگي يا بي تجربگي متخصصين شده و داده‌هاي پزشكي مورد نياز، طي مدت زمان كمتر و با دقت بيشتر در اختيار پزشك قرار گيرد. تفسير داده‌هاي ديابتي يك مشكل مهم در طبقه‌بندي است. براي ديدن دقت پيش بيني در طبقه بندي داده‌هاي ديابتي، روش‌هاي يادگيري ماشين مختلفي بكار برده مي‌شود كه از جمله آن‌ها مي‌توان به ماشين بردار پشتيبان يا SVM اشاره كرد. با توجه به موفقيت نسخه هاي توسعه يافته SVM در كاربردهاي يادگيري ماشين، در اين پژوهش فرضيه موثر بودن آن‌ها در تشخيص بيماري ديابت مطرح شد و از آنجاييكه ويژگي‌هاي دادگان آموزشي تاثير فراواني روي دقت يادگيري الگوريم‌هاي داده‌كاوي دارند تحليلي بر اثر بخشي آنها روي الگوريتم PCC كه نسخه‌اي توسعه يافته از SVM است صورت گرفته است. داده‌هاي استفاده شده در اين پژوهش مجموعه داده‌هاي PIMA مي باشد. اين مجموعه داده با استفاده از نرم افزارMATLAB مورد ارزيابي قرار گرفته است. ارزيابي روش پيشنهادي نشان دهنده صحت 78.65 است كه در مقايسه با ديگر پژوهش‌ها دقت بالاتري را نشان ميدهد.

A large number of parameters makes it difficult for professionals to predict the disease. Recently, computer diagnostic tools have been used to assist the physician. This will reduce the errors caused by the fatigue or inexperience of the specialist and the medical data needed to be provided to the physician in less time and with greater accuracy. Interpreting diabetic data is an important issue in classification. To see the precision of prediction in the classification of diabetic data, various machine learning methods are used, including the SVM support vector. Considering the success of SVM developed versions in machine learning applications, the hypothesis of their effectiveness in diagnose diabetes was presented And since the educational data properties have a great influence on the accuracy of the learning of data mining algorithms, an analysis of their effectiveness has been made on the PCC algorithm, a version of the developed SVM. The data used in this study is the PIMA data set. This dataset has been evaluated using MATLAB software. The evaluation of the proposed method indicates the accuracy of 78.65, which is more accurate than other studies.