تشخيص هوشمند بيماري كليوي مزمن با تركيب ماشين بردار پشتيبان و الگوريتم هاي پوششي

Intelligent detection of chronic kidney disease by combining support vector machines and Wrapper algorithm

بيماري هاي كليوي مزمن يكي از شايع ترين و رو به رشدترين نوع بيماري هاست كه تشخيص به موقع آن، شانس زنده ماندن و بهبود بهتر را افزايش مي دهد. امروزه، با توجه به بانك هاي اطلاعاتي مي توان از داده كاوي به طور گستردهاي براي تشخيص استفاده كرد. با گسترش فنّاوري حجم زيادي از داده هاي مرتبط با مريضي هاي كليوي و با ابعاد بالا توليد شده اند كه استفاده از همه ي آنها علاوه بر مقرون به صرفه نبودن، حتي باعث كاهش دقت مدل تشخيصي نيز مي گردد. در اين بررسي، از تركيب الگوريتم پوششي و روش ماشين بردار پشتيبان براي كاهش ويژگي استفاده شده است. بدين ترتيب كه ابتدا زيرمجموعه هايي از ويژگي هاي تصادفي انتخابي به الگوريتم ماشين بردار پشتيبان فرستاده مي شوند. سپس با توجه به دقت برآورد شده درنتيجه ي كار با آن ويژگي ها، ويژگي هايي كه مي توانند دقت بالاتري را ارائه دهند كنار گذاشته مي شوند. سپس زيرمجموعه ي نهايي از ويژگي هاي انتخابي و تعداد آن، پس از توقف الگوريتم پوششي مشخص شده و از آن براي آموزش و ايجاد مدل دسته بندي كننده با الگوريتم ماشين بردار پشتيبان استفاده شد. در پايان روش ارائه شده ازنظر دقت، حساسيت، اختصاصيت روي داده هاي پايگاه اطلاعاتي يو سي آي مورد ارزيابي واقع گرديد.

Chronic kidney disease is one of the most common and fastest growing disease in the world that early diagnosis make happens the survival rate increases. Today, we can use datamining for diagnosis according to widely data banks. In this study, the algorithms of Wrapper and SVM reduced the data used to decrease the time of determination. At first, subset of features sent to SVM algorithm was randomly selected. Considering the accuracy of results with those features, our developed algorithm extracts the features that can provide higher accuracy. Then the final subset of selected features and their number were used to create a SVM classifier algorithm. At the end, the proposed method assessed in terms of accuracy, sensitivity, specificity based on one real UCI dataset.