استفاده از ماشین های بردار پشتیبان ویولت در بازشناخت الگوی داده های بیولوژیکی

ماشین بردار پشتیبان (svm) به عنوان یکی از روش های مبتنی بر هسته از مهمترین روش های یادگیری ماشینی می باشد که در رگرسیون و بازشناخت الگوی داده ها به کار برده می شود. در سالهای اخیر مطالعه برای بکارگیری و ارزیابی ترکیب تبدیل ویولت با svm مورد توجه قرار گرفته است. یک هسته قابل قبول برای svm به عنوان هسته ویولت معرفی شده و ماشین بردار پشتیبان ویولت (wsvm) ایجاد شده است. هسته ویولت یک تابع ویولت چند بعدی می باشد که به علت خصوصیت تعامد می تواند توابع غیر خطی دلخواه را تخمین بزند. از آنجا که ماشین های بردار پشتیبان بطور وسیع در کاربردهای مختلف طبقه بندی داده های پزشکی، با موفقیت بکار رفته اند. در این پروژه نیز کارایی ماشین های بردار پشتیبان ویولت با چندین ویولت مادر مختلف در طبقه بندی سه مجموعه داده دیابت، سرطان سینه و دروغ سنجی بررسی شده است. ابتدا دو مجموعه داده دیابت و سرطان سینه که در تحقیقات متعدد برای سنجش کارایی الگوریتم های طبقه بندی مختلف مورد استفاده قرار گرفته اند، برای ارزیابی wsvmها بکار برده شدند. برای مقایسه، طبقه بندی توسط روش های مهم دیگر مانند k نزدیکترین همسایه (knn)، آنالیز تمایز خطی (lda) و svm با هسته های دیگر انجام شده و بطور کلی نقاط قوت و ضعف این روش نسبت به سایر روشها بررسی شده است. نتایج اعتبار wsvm ها را در طبقه بندی این دو مجموعه داده نشان می دهند. برای مجموعه داده دیابت بیشترین صحت طبقه بندی 51/87? توسط wsvm با هسته ویولت mexican hat با هسته ویولت morlet به دست آمده است. پس از ارزیابی های مذکور، ماشین های بردار پشتیبان ویولت برای تصمیم گیری در مورد خطاکار بودن یا بی گناهی سوژه، روی دادگان دروغ سنجی مبتنی بر مولفه شناختی p300 طراحی و بررسی شده، جمع آوری گشته است. در اینجا نیز کارایی wsvmها با روش های دیگر طبقه بندی مانند lda و svm با هسته های دیگر مقایسه شده است. بر اساس نتایج به دست آمده، از لحاظ دقت تفکیک افراد خطاکار و بی گناه، روش طبقه بندی کننده ماشین بردار پشتیبان با هسته ویولت morlet با صحت طبقه بندی 80%، کارایی بهتری در مقایسه با روش های دیگر نشان داده است. در این پروژه علاوه بر پیاده سازی روش های طبقه بندی مذکور، به انتخاب دسته ویژگی بهینه مجموعه داده دروغ سنجی برای این طبقه بندها نیز پرداخته شده که این امر به افزایش چشمگیر درصد صحت طبقه بندی توسط ماشین بردار پشتیبان با هسته ویولت morlet به 90% منجر شده است.