تطوير شعاع الدعم الالي للتصنيف باستخدام الانحدار العشوائي مع تطبيقات على بيانات سرطان الدم
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
شعاع الدعم الالي (SVM) هو أحد تطبيقات معادلة الانحدار للتعليم الاستنتاجي الذي يحلل البيانات ويستخدم في التصنيف ومعادلة الانحدار. في التصنيف، يستخدم SVM بشكل واسع بأختيار مقطع مثالي للفصل بين مجموعتين. وهو يمتلك دقة عالية و مستقر بصورة هائلة بالمقارنة مع طرق التصنيف الأخرى مثل الانحدار اللوجستي الخطي، random forest ، k-nearest neighbor و naïve model.على أي حال، عند العمل على بيانات هائلة تتولد مشاكل كبيرة كاستهلاك للوقت وأيضا النتائج تكون غير دقيقة. في هذا البحث SVM طورت بأستخدام طريقة الانحدار العشوائي. الطريقة المحدثة، SGD-SVM اختبرت بأستخدام مجموعتين من البيانات. ولأن تصنيف أنواع السرطان مهم بالنسبة لتشخيص السرطان واستكشاف الدواء. SGD-SVM طبقت لتصنيف بيانات تكسر كريات الدم الشهيرة. النتائج التي حصلنا عليها من طريقة SGD-SVM كانت دقتها اعلى من النتائج التي تم الحصول عليها من بعض الدراسات السابقة التي استخدمت نفس البيانات.
Received 18/10/2019, Accepted 9/2/2020, Published 1/12/2020
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Bala R, Kumar DD. Classification Using ANN: A Review. IJCIR. 2017;13(7):1811-20.
Okwonu FZ, Othman AR. A Model classification technique for linear discriminant analysis for two groups. IJCSI. 2012 May 1;9(3):125
Barshan E, Ghodsi A, Azimifar Z, Jahromi MZ. Supervised principal component analysis: Visualization, classification and regression on subspaces and submanifolds. Pattern Recognition. 2011 Jul 1;44(7):1357-71.
Liaw A, Wiener M. Classification and regression by randomForest. R news. 2002 Dec 3;2(3):18-22.
Karim M, Rahman RM. Decision tree and naive bayes algorithm for classification and generation of actionable knowledge for direct marketing. IJSEA. 2013 Apr 25;6(04):196.
Guo G, Wang H, Bell D, Bi Y, Greer K. KNN model-based approach in classification. In OTM Confederated International Conferences. On the Move to Meaningful Internet Systems. 2003 Nov 3 (pp. 986-996). Springer, Berlin, Heidelberg.
Jain R. Simple tutorial on svm and parameter tuning in python and r, 2017. URL https://www. hackerearth. com/blog/machine-learning/simple-tutorial-svm-parameter-tuning-python-r/. Visited. 2018;20.
Mahdi, Ghadeer J. Hierarchical Bayesian Regression with Application in Spatial Modeling and Outlier Detection. Diss. University of Arkansas, Fayetteville, 2018.
Golub TR, Slonim DK, Tamayo P, Huard C, Gaasenbeek M, Mesirov JP, et al. Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. 1999 Oct 15;286(5439):531-7.
Ad’hiah AH, Mahmood AS, Al-Kazaz AK, Mayouf KK. Gene Expression and Polymorphism of Interleukin-4 in a Sample of Iraqi Rheumatoid Arthritis Patients. Baghdad Sci. J. 2018;15(2):130-7.
Zhi J, Sun J, Wang Z, Ding W. Support vector machine classifier for prediction of the metastasis of colorectal cancer. Int J Mol Med. 2018 Mar 1;41(3):1419-26.
Mathiasen A, Larsen KG, Grønlund A. Optimal Minimal Margin Maximization with Boosting. InInternational Conference on Machine Learning 2019 May 24 (pp. 4392-4401).
Zararsiz G, Elmali F, Ozturk A. Bagging support vector machines for leukemia classification. IJCSI. 2012 Nov 1;9(6):355.
Huang S, Cai N, Pacheco PP, Narrandes S, Wang Y, Xu W. Applications of support vector machine (SVM) learning in cancer genomics. GPB. 2018 Jan 1;15(1):41-51.
Thang PQ, Thuy NT, Lam HT. A modification of solution optimization in support vector machine simplification for classification. In Information Systems Design and Intelligent Applications 2018 (pp. 149-158). Springer, Singapore.
Salman AN, Taha TA. On Reliability Estimation for the Exponential Distribution Based on Monte Carlo Simulation. IHJPAS. 2018 Apr 25:409-19.
Tawfiq LN, Rashid TA. On Comparison Between Radial Basis Function and Wavelet Basis Functions Neural Networks. IHJPAS. 2017 May 24;23(2):184-92.
Zaidan AA, Atiya B, Bakar MA, Zaidan BB. A new hybrid algorithm of simulated annealing and simplex downhill for solving multiple-objective aggregate production planning on fuzzy environment. NCA. 2019 Jun 1;31(6):1823-34.
Huang X, Zhang L, Wang B, Li F, Zhang Z. Feature clustering-based support vector machine recursive feature elimination for gene selection. APPL INTELL. 2018 Mar 1;48(3):594-607.
Sopyła K, Drozda P. Stochastic gradient descent with Barzilai–Borwein update step for SVM. Information Sciences. 2015 Sep 20; 316:218-33.
Lopes FF, Ferreira JC, Fernandes MA. Parallel Implementation on FPGA of Support Vector Machines Using Stochastic Gradient Descent. Electronics. 2019 Jun;8(6):631.
Patwary MK, Haque MM. A Semi-Supervised Machine Learning Approach Using K-Means Algorithm to Prevent Burst Header Packet Flooding Attack in Optical Burst Switching Network. Baghdad Sci. J. 2019;16(3 Supplement):804-15.
Pandiyan V, Caesarendra W, Tjahjowidodo T, Tan HH. In-process tool condition monitoring in compliant abrasive belt grinding process using support vector machine and genetic algorithm. J. Manuf. Process. 2018 Jan 1; 31:199-213.
Okwonu FZ, Othman AR. A Model classification technique for linear discriminant analysis for two groups. IJCSI. 2012 May 1;9(3):125.
MacFarland TW, Yates JM. Introduction to nonparametric statistics for the biological sciences using R. Cham: Springer; 2016 Jul 6.
Aytug H. Feature selection for support vector machines using Generalized Benders Decomposition. Eur. J. Oper. Res. 2015 Jul 1;244(1):210-8.