انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری در بهینه سازی مقادیر svm در تشخیص سرطان سینه

سرطان پستان سالانه باعث مرگ میلیون ها زن در سراسر دنیا می شود. بیماری سرطان پستان اگر در مراحل اولیه تشخیص داده شود شانس بقای بیماران افزایش خواهد یافت. یکی از روشهای تشخیص بیماری سرطان پستان بکارگیری روش های یادگیری ماشین و تحلیل داده های گردآوری شده توسط مراکز درمانی است. ماشین بردار پشتیبان یک ابزار قدرتمند برای طبقه بندی نمونه های خوش خیم و بدخیم است. یکی از چالش های تشخیص نمونه های بدخیم توسط ماشین بردار پشتیبان عدم بهینه بودن پارامترهای این روش یادگیری عمیق است. یک چالش دیگر برای تشخیص نمونه های بدخیم، عدم متعادل سازی مجموعه داده و حجم اندک نمونه ها است. چالش دیگر یادگیری روی همه ویژگی ها است که خطای تشخیص نمونه ای بدخیم را افزایش می دهد. روش پیشنهادی در این مقاله از توانایی الگوریتم بهینه سازی شاهین و الگوریتم بهینه سازی کوسه سفید برای بهبود عملکرد ماشین بردار پشتیبان در تشخیص سرطان پستان استفاده می کند. در روش پیشنهادی در ابتدا توسط روش smote تعداد نمونه ها افزایش و متعادل سازی می شود. در مرحله دوم با الگوریتم بهینه سازی کوسه سفید، فاز انتخاب ویژگی اجراء شده و بهینه ترین ویژگی ها برای یادگیری ماشین بردار پشتیبان استفاده می شود. در مرحله سوم الگوریتم بهینه سازی شاهین هریس برای بهینه سازی پارامترهای ماشین بردار پشتیبان استفاده می شود. ارزیابی ها در محیط برنامه نویسی متلب و روی مجموعه داده ویسکانسین انجام شده است. ارزیابی ها نشان می دهد روش پیشنهادی در تشخیص سرطان سینه دارای دقت، حساسیت و صحتی به ترتیب برابر 99.64%، 99.52% و 99.49% است. روش پیشنهادی برای تشخیص سرطان پستان نسبت به ماشین بردار پشتیبان بدون انتخاب ویژگی و نسبت به حالتی که متعادل سازی مجموعه داده انجام نشده است دارای دقت بیشتری است.

feature selection using meta-heuristic algorithms in optimization of svm values in breast cancer diagnosis

breast cancer kills millions of women worldwide every year. if breast cancer is diagnosed in the early stages, the chances of survival will increase. one of the methods of breast cancer diagnosis is using machine learning methods and analysing data collected by medical centres. support vector machine is a powerful tool for classifying benign and malignant samples. one of the challenges of detecting malignant samples by support vector machine is the non-optimality of the parameters of this deep learning method. another challenge in detecting malignant samples is the imbalance of the data set and the small volume of samples. another challenge is learning all features, which increases the error of detecting a malignant sample. the proposed method in this article uses the ability of the harris hawks optimization algorithm and the white shark optimization algorithm to improve the performance of the support vector machine in breast cancer diagnosis. in the proposed method, the number of samples is increased and balanced by the smote method. in the second stage, with the white shark optimization algorithm, the feature selection phase is implemented and the most optimal features are used to support vector machine learning. in the third stage, the optimization algorithm of shahin harris is used to optimize the parameters of the support vector machine. the evaluations have been done in the matlab programming environment and on the wisconsin dataset. the evaluations show that the proposed method in breast cancer diagnosis has accuracy, sensitivity and accuracy of 99.64%, 99.52% and 99.49% respectively. the proposed method for breast cancer detection is more accurate than the support vector machine without feature selection compared to the case where the data set balancing is not done.