فهرست نشریات علمی دسترسی آزاد ایران

بیماری‌‌های مزمن از دلایل اصلی مرگ‌‌و‌‌میر در سال‌‌های اخیر بوده‌‌اند.‌ پژوهش‌‌های تجربی بسیاری برای تشخیص بیماری مزمن در کشورهای مختلف گزارش شده‌اند. در مطالعات انجام شده، روش‌‌های یادگیری ماشین، نقش به‌سزایی در تشخیص بیماری‌‌های مزمن داشته‌اند. از جملة‌ این روش‌‌ها، می‌‌توان به ماشین بردار پشتیبان استاندارد و دوقلو اشاره کرد. داده‌‌های بیماری‌‌های مزمن دارای نوفه ‌‌ ذاتی و نمونه‌‌های پرت می‌‌باشند. این مهم باعث افت شدید دقّت مدل‌‌های ماشین بردار پشتیبان استاندارد و دوقلو می‌‌گردد. در مدل جدید، برای برطرف کردن کاستی بیان‌‌ شده و رفع حسّاسیت نسبت به داده‌‌های نوفه ‌ ‌ای 1 ، به جای دسته‌‌بندی ماشین بردار پشتیبان دوقلو، ماشین بردار پشتیبان دوقلو با قیود نرم پیشنهاد شده است. این مدل فضای شدنی مسئله بهینه‌‌سازی درجه دوم را گسترش می‌‌دهد. با گسترش فضای شدنیِ مسئله، به نمونه‌‌ها اجازة تخطّی از ابَرصفحات داده‌‌ می‌‌شود و تأثیر داده‌‌های نوفه‌ای و دور افتاده در تشخیص نهایی کاهش می‌‌یابد. الگوریتم پیشنهادی، بر روی پنج مجموعه داده ‌ از داده‌‌های بالینی پزشکی، اجرا و نتایج آن با روش‌‌های ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و نزدیکترین همسایه مقایسه شده‌‌اند. میانگین دقّت روش پیشنهادی نسبت به بهترین میانگین در روش‌‌های پیشین، حاکی از بهبود حدود 7 % در نتایج تجربی می‌‌باشد. Noise