طبقه بندي بيماري سرطان سينه با استفاده از الگوريتم يادگيري ماشين فوق العاده

classification Breast Cancer Disease Using the Extreme learning machines Algorithm

در اين مقاله، از شبكه‌ عصبي پرسپترون چند لايه مبتني بر ماشين با قابليت يادگيري فوق‌العاده براي طبقه‌بندي بيماري سرطان سينه استفاده شده است. الگوريتم يادگيري فوق العاده براي آموزش شبكه‌هاي عصبي پيش‌خور استفاده مي شود كه با تعين نوع تابع فعال‌ساز لايه مخفي و تعداد نرون در لايه مخفي شبكه آموزش ميبيند. در اين مقاله، با تغيير اين دو پارامتر، يعني تابع فعال‌ساز لايه مخفي و تعداد نرون در لايه مخفي، عملكرد سيستم مورد بررسي قرار داده شده است. در اين روش ، زمان تست، زمان آموزش، دقت طبقه‌بندي براي 10 بار اجراي ارزشيابي متقابل ده¬ قسمتي براي توابع فعال‌سازي مختلف مورد بررسي قرار گرفت و ميانگين، انحراف استاندارد، بيشينه و كمينه هر كدام گزارش مي‌شود. الگوريتم پيشنهادي داراي قابليت تعميم فوقالعاده و دقت و سرعت بسيار بالايي مي‌باشد.

In this paper, using extreme learning machine (ELM) for Breast cancer diagnosis. extreme learning machine (ELM) is a new learning algorithm for single hidden layer feed forward neural networks (SLFNs) which randomly chooses the input weights and analytically determines the output weights of SLFNs. extreme learning machine can be trained by specifying the type of secret activation function and the number of neurons in the hidden layer. In this paper, the function of the system has been examined by changing these two parameters, the hidden layer activation function and the number of neurons in the hidden layer. In this method, the test time, the training time, classification accuracy via 10-fold cross-validation (CV) for different activation functions were examined and the mean, standard deviation, maximum and minimum of each were reported. the new algorithm can produce good generalization performance in most cases and can learn thousands of times faster than conventional popular learning algorithms for feed forward neural networks.