استفاده از دسته‌بندی ترکیبی مبتنی بر جداسازی نمونه‌های متعارف و نامتعارف برای تشخیص سرطان پستان

سرطان پستان یکی از رایج‌ترین انواع سرطان‌ها در زنان می‌باشد و در سال‌های اخیر رشد قابل توجهی در تعداد افراد مبتلا به آن گزارش شده است. با گسترش روزافزون علم استفاده از داده‌کاوی در پزشکی به یکی از زمینه‌های پرکاربرد برای بهبود سیستم‌های درمانی تبدیل شده است. در این تحقیق فرایند تشخیص بیماری سرطان پستان در دو مرحله انجام می‌شود. در مرحله اول از یک الگوریتم ژنتیک بهبودیافته برای تشخیص ویژگی‌های موثر در پیش‌بینی این بیماری استفاده شده و در مرحله دوم نمونه‌های متعارف و نامتعارف به ‌منظور افزایش دقت و ایجاد مدل دسته‌بندی نهایی شناسایی می‌شوند. برای کار دسته‌بندی مقایسه‌ای بین دو مدل درخت تصمیم و ماشین بردار پشتیبان انجام شده که نتایج، برتری مدل ماشین بردار پشتیبان را نشان می‌دهد. نتایج آزمایش‌های انجام‌شده دقت تشخیص سرطان پستان را روی مجموعه داده‌های wbcd، wdbc و wpbc به ترتیب 99.26%، 98.55% و 98.45% گزارش می‌دهد.

Using Combined Classifier Based on the Separation of Conventional and Unconventional Samples to Diagnose Breast Cancer

Breast cancer is one of the most common types of cancers in women and in recent years there has been a significant increase in the number of people with this disease. With the increasing spread of science, data mining has become one of the most widely used areas for improving therapeutic systems. In this paper, the diagnosis of breast cancer is performed in two steps. In the first step, an improved genetic algorithm is used to identify the desirable features in the prediction of this disease, and in the second stage, conventional and Unconventional samples are identified to increase the accuracy and create the final classification model. For classification work, a comparison between two decision tree and Support vector machine model is used to show the results of the superiority of the Support vector machine model. The results of the experiments reported the accuracy of breast cancer diagnosis on WBCD, WDBC and WPBC data sets are 99.26%, 98.55% and 98.45%, respectively.