ارائه یک روش یادگیری ویژگی ترکیبی مبتنی بر الگوریتم شبیه سازی تبرید و برنامه نویسی ژنتیک (مطالعه موردی: تشخیص بدخیمی سرطان سینه)

امروزه استفاده از ابزارهای یادگیری ماشین در حوزه های مختلف ازجمله تشخیص بیماری ها در حال گسترش است. علت این امر را می توان عملکرد متغیر و متمایل به خطای انسان در مقابل عملکرد ثابت ابزارهای یادگیری ماشین در زمینه تشخیص و طبقه بندی دانست. حیاتی بودن تشخیص در حوزه هایی مانند پزشکی، نیاز به بهبود تشخیص با روش های یادگیری ماشین را توجیه می کند. ازجمله روش های افزایش دقت در این زمینه، الگوریتم های کاهش ویژگی و یادگیری ویژگی هستند. در این مقاله با ارائه یک روش یادگیری ویژگی، دقت روش های مبتنی بر یادگیری ماشین افزایش یافته است. روش پیشنهادی شامل سه فاز افزایش کیفیت داده، انتخاب ویژگی و یادگیری ویژگی است. در فاز اول، مقادیر ازدست رفته با شاخص پراکندگی میانگین و یا مد جایگزین می شوند در فاز دوم، الگوریتمی مبتنی بر الگوریتم شبیه سازی تبرید برای کاهش ویژگی و یافتن بهترین زیرمجموعه از ویژگی ها ارائه شده است. در فاز نهایی نیز الگوریتمی مبتنی بر الگوریتم برنامه نویسی ژنتیک به منظور یادگیری ویژگی های متمایزکننده ترکیبی ارائه شده است. روش پیشنهادی با استفاده از دو مجموعه داده استاندارد WBCD و WDBC ارزیابی شده است. نتایج به دست آمده با آخرین دستاوردها مقایسه شده است که حاکی از عملکرد بهبودیافته الگوریتم پیشنهادی است.