توصيفگر ها :
طبقه بندي , الگوريتم هاي يادگيري گسسته و پيوسته , پرسپترون چندلايه , بيماري ديابت , سرطان سينه
چكيده فارسي :
طيف گسترده‌اي از روشهاي طبقهبندي وجود دارد كه تقريبا همه آنها منطق يكساني در فرايندهاي يادگيري خود دارند و از تابع هزينه پيوسته مبتني بر فاصله استفاده مي‌كنند. با اين حال، استفاده از اين نوع از توابع به عنوان تابع هزينه در فرايندهاي يادگيري مدل‌هاي طبقهبندي ميتواند نامفيد و يا حداقل ناكافي باشد. از آنجايي كه تابع هدف طبقهبندي، حالت گسسته دارد، بنابراين توسعه يك تابع هزينه كه به صورت غير پيوسته براي يادگيري مسائل طبقهبندي استفاده شود، به دليل وجود سازگاري بيشتر، ممكن است نرخ طبقهبندي را بهبود بخشد. در اين تحقيق، برخلاف تمام فرايندهاي يادگيري پيوسته، يك فرايند مبتني بر يادگيري پرشمحور جديد پيشنهاد شده كه بر روي يك پرسپترون چندلايه براي به‌دست‌آوردن يك طبقهبندي هوشمند سازگارتر اجرا ميشود. روش كار پرسپترون چندلايه به اين شكل است كه تابع فعالساز سيگمويد خروجي خود را پيوسته در حد فاصل صفر و يك محاسبه ميكند و طبق خروجي، هر ركورد به يك كلاس تعلق ميگيرد. چنان كه ذات طبقهبندي، گسسته بودن است، اگر خروجي به جاي حركت در يك طيف پيوسته، به صورت پرشي مقاديري گسسته اختيار كند و هر ركورد به شكلي به يكي از اين مقادير گسسته بنا بر فاصله كمتر تخصيص داده شود، آنگاه مدل جديدي خلق شده است كه لازمه آن استفاده از توابع هزينه مبتني بر پرش است. براي محك زدن اين مدل جديد از پرسپترون چندلايه بايد مجموعهدادهاي به عنوان محكداده استفاده شود. هر چند جايگاه ارزشمند حوزه سلامت بر كسي پوشيده نيست با اين وجود در ادبيات موضوع استفاده از دادهكاوي در حوزه بهداشت و درمان بر اهميت اين حوزه صحه ميگذارد. دو مجموعهداده مربوط به سرطان سينه و ديابت از دانشگاه ايروين كاليفرنيا براي ارزيابي اين مدل استفاده ميشود. نتايج تجربي مجموعه‌داده‌هاي سرطان سينه تشخيصي موسوم به ويسكانسين و ديابت با نام پيما نشان مي‌دهد كه مدل پرسپترونهاي چندلايه پرش محور پيشنهادي در اين دو مجموعهداده ميتواند به ترتيب به نرخ طبقهبندي 100.00 درصد و 91.57 درصد دست يابد، در حالي كه نرخ طبقهبندي براي مدل سنتي پرسپترونهاي چندلايه پرش محور تنها برابر با 99.47 درصد و 84.62 است؛ بنابراين، مدل پيشنهادي با عنوان پرسپترون چندلايه پرشمحور ميتواند يك مدل جايگزين مناسب و كارآمد براي طبقهبندي هوشمند در پزشكي باشد، به‌ويژه زماني كه نتايج دقيق‌تر و يا مدل معقول‌تري مورد نياز باشد.
چكيده انگليسي :
The classification models differ in different aspects, they all have the same logic in their learning processes and use a continuous distance-based cost function which moves towards the optimal point continuously. However, using a continuous distance-based function as a cost function in the learning processes of the traditional classification models is unreasonable or at least insufficient; since the goal function of the classification, is discrete. Hence, developing a cost function that jump to reach the optimal point for learning the classification problems, may improve the classification rate; but it has been neglected in the literature. In this paper, in contrast to all traditional continuous distance-based learning processes, a novel jump-based process is proposed and implemented on a multilayer perceptron to yield a more consistent intelligent classifier. The working method of multilayer perceptron is that the sigmoid activation function its output between zero and one, and according to the output, each record is assigned to a class. If the essence is classified, it is discrete, if instead of moving in a continuum, it jumps jump and each record is assigned to one of these discrete, then it becomes a model. To test this new model of multilayer perceptron, the dataset should be used as a benchmark. The subject of data mining in the field of health and treatment is valid for this field. Two breast cancer collections from Wisconsin and Pima from the University of California Irvine are used to evaluate this model. The results of the experimental datasets of Wisconsin Diagnostic Breast Cancer (WDBC) and Pima Diabetes show that the proposed multi-layer perceptron models in these two datasets are rated 100.00% and 91.57% of the hands, respectively, in the conditions that perform the classification of the models. Traditional MLP is only equal to 99.47% and 84.62. Therefore, the proposed JMLP can be a suitable and efficient model for intelligent classification in medicine.
