کاهش ویژگی های موثر در بیماری به کمک روش یادگیری ماشین بردار پشتیبان نیمه نظارتی دربهبود تشخیص بیماری دیابت

با توجه به کم تحرکی جامعه و افزایش بیماری های مختلف مانند دیابتو فشارخون،یکی از چالش‌های اساسی تشخیص به موقع و با دقتچنین بیماری‌هایی می باشد.دراینپژوهشبهپیش‌بینیبیماریدیابتبااستفادهازالگوریتم‌هایهوشمندپرداخته شده است. روش پیشنهادی در دو ماژول پیشنهاد شده است. ابتدا با استفاده از الگوریتم de،به انتخاب ویژگی های موثر در تشخیص بیماری پرداخته شده است. به عبارت دیگر ویژگی‌های کمتری از افراد به سیستم هوشمند پیشنهاد شدهتا تشخیص بیماری را انجام دهد. ماژول بعدی با یادگیری از ویژگی‌های افراد و نوع بیماری آن‌ها، بااستفاده از الگوریتم ماشین بردار پشتیبان، برای تشخیص بیماری دیابت استفاده می شود. به این ترتیب ضمن یافتن ویژگی‌های موثرتر، می‌توانیم پیچیدگی کمتر و سرعت بالاتری از پردازش داشت. برای این منظور در ابتدا 50 ویژگی از افراد مختلف مانند سابقه بیماری، تعداد ورزش روزانه، سیگار و سایر موارد مشابه را به عنوان ورودی و نوع بیماری دیابت به عنوان خروجی در نظر گرفته شده است. این کار با استفاده از روش نیمه نظارتی به دلیل عدم وجود همه‌ی برچسب‌ها انجام شد. هر دو ماژول با روش‌های دیگر مقایسه شده است. ماژول اول با شبکه عصبی نیمه نظارتی و ماژول دوم با چهار الگوریتم فرا ابتکاری مقایسه شده است. کاهش ویژگی‌ها از 50 به 20 ویژگی، تشخیص بیماری را با دقت 5/98 درصد و کاهش ویژگی‌ها از از 50 به 10 ویژگی، تشخیص بیماری را با دقت 97 درصد انجام داده است.