پیش بینی بیماری های مزمن با داده های نامتوازن توسط ماشین بردار پشتیبان گرانشی

با پیشرفت تکنولوژی، روش‌های مبتنی بر داده برای تشخیص انواع بیماری ها، به طور گسترده‌ای مورد توجه قرار گرفته ‌است. در طبقه بندی بیماری ها، تشحیص درست فرد ناسالم نسبت به تشخیص درست یک فرد سالم از اهمیت بیشتری برخودار است. اغلب داده های این بیماری ها دارای جامعه ی بیمار کوچک و جامعه ی سالم بزرگتری است. در این مقاله با تعریف یک تابع وزن ویژه در مدل وزنی الگوریتم twin svm ، نشان داده می شود اختصاص وزن به گروه کوچکتر می تواند در تشخیص طبقه ی نمونه ها موثرتر باشد، ابتدا مفاهیم پایه ای مدل را بیان نموده سپس علاوه بر روال الگوریتم های دیگر، برای داده های کلاس کوچکتر نیز وزن اختصاص داده می شود. سپس از چندین مجموعه داده ی بیماریهای مزمن مانند سرطان، دیابت و آلزایمر و ...، برای ارزیابی عملکرد روش استفاده نموده با مقایسه ی نتایج با چند روش دیگر، نشان داده می شود روش مورد استفاده می‌تواند با دقت بهتری نمونه ها را طبقه بندی کرده، نمونه های کلاس کوچکتر را نیز با دقت بالاتری تشخیص دهد بنابراین می توان انتظار داشت بر روش‌های دیگر برتری داشته باشد.