كاهش ويژگي هاي موثر در بيماري به كمك روش يادگيري ماشين بردار پشتيبان نيمه نظارتي دربهبود تشخيص بيماري ديابت

با توجه به كم تحركي جامعه و افزايش بيماري هاي مختلف مانند ديابتو فشارخون،يكي از چالش‌هاي اساسي تشخيص به موقع و با دقتچنين بيماري‌هايي مي باشد.دراينپژوهشبهپيش‌بينيبيماريديابتبااستفادهازالگوريتم‌هايهوشمندپرداخته شده است. روش پيشنهادي در دو ماژول پيشنهاد شده است. ابتدا با استفاده از الگوريتم DE،به انتخاب ويژگي هاي موثر در تشخيص بيماري پرداخته شده است. به عبارت ديگر ويژگي‌هاي كمتري از افراد به سيستم هوشمند پيشنهاد شدهتا تشخيص بيماري را انجام دهد. ماژول بعدي با يادگيري از ويژگي‌هاي افراد و نوع بيماري آن‌ها، بااستفاده از الگوريتم ماشين بردار پشتيبان، براي تشخيص بيماري ديابت استفاده مي شود. به اين ترتيب ضمن يافتن ويژگي‌هاي موثرتر، مي‌توانيم پيچيدگي كمتر و سرعت بالاتري از پردازش داشت. براي اين منظور در ابتدا 50 ويژگي از افراد مختلف مانند سابقه بيماري، تعداد ورزش روزانه، سيگار و ساير موارد مشابه را به عنوان ورودي و نوع بيماري ديابت به عنوان خروجي در نظر گرفته شده است. اين كار با استفاده از روش نيمه نظارتي به دليل عدم وجود همه‌ي برچسب‌ها انجام شد. هر دو ماژول با روش‌هاي ديگر مقايسه شده است. ماژول اول با شبكه عصبي نيمه نظارتي و ماژول دوم با چهار الگوريتم فرا ابتكاري مقايسه شده است. كاهش ويژگي‌ها از 50 به 20 ويژگي، تشخيص بيماري را با دقت 5/98 درصد و كاهش ويژگي‌ها از از 50 به 10 ويژگي، تشخيص بيماري را با دقت 97 درصد انجام داده است.