发展的肝炎疾病检测系统利用稀疏线性支持向量机来提高强度的演算法整体模型

文摘

肝炎疾病是一种致命的疾病。肝炎疾病的管理和诊断是昂贵的,需要高水平的人类经验提出了挑战不发达和发展中国家的卫生保健系统。因此,发展自动化的方法准确预测肝炎疾病是不可避免的。在本文中,我们开发一个诊断系统与一个线性支持向量机(SVM)模型与自适应提升(演)模型。我们利用稀疏线性支持向量机造成的正则化。稀疏 - - - - - -正规化SVM能够消除冗余或从特征空间无关的特性。通过稀疏线性支持向量机后过滤功能,支持向量机应用于演算法的输出合奏模型用于分类的目的。两种类型的数值实验进行肝炎疾病的临床特征来自UCI机器学习库。在第一个实验中,只使用传统演算法模型,而在第二个实验中,一个特征向量应用到应用程序前的稀疏线性支持向量机演算法模型。仿真结果表明,传统演算法模型的强度由该方法提高了6.39%,其时间复杂度也减少了。此外,该方法显示出更好的性能比许多以前开发的肝炎疾病的预测方法。

1。介绍

肝炎是全球一个主要的慢性肝病。肝脏被认为是最严重的一个最大的人体器官(1]。肝脏是人体的重要器官之一,负责不同的功能。这些函数包括胆汁分泌、蛋白质的形成和消除体内的毒素。因此,肝脏炎症(肝炎所致)导致肝脏功能障碍,因此,主题的健康恶化。肝炎的症状是不同的在不同的患者中,有一些科目没有迹象。著名的症状包括黄色的眼睛和皮肤,腹痛、食欲不振、疲劳(2,3]。根据时间可以急性或慢性肝炎。如果它持续不到六个月,这是急性;然而,如果它持续超过6个月,这是慢性4]。据报道,肝炎每年导致超过一百万人死亡。肝炎通过传统的诊断方法是一个困难的工作,需要昂贵的医疗测试(5]。此外,这类疾病的诊断智能系统降低了成本,还考察了病人在较短的时间。因此,发展智能诊断系统等类型的疾病预测是非常重要的。

在过去,很多疾病检测混合模型由不同的开发人员。包括帕金森病预测的自动化系统(6- - - - - -8),死亡率预测(9,10],癌症检测[11,12),和心脏病(6,13,14]。这些模型是由组合数据挖掘模型等特性预处理)(主成分分析(PCA)和费舍尔判别分析与机器学习模型(FDA)如决策树、逻辑回归、支持向量机(SVM),朴素贝叶斯、神经网络模型、神经网络的集合体,K最近的邻居,深层神经网络,优化和堆叠svm (15- - - - - -24]。例如,Adamczak开发不同的肝炎自动化模型预测。这些模型包括延时+ BP、RBF (Tooldiag)和FSM没有旋转,实现了预测精度为77.4%,79%,和88.5%,分别为(25]。在另一项研究由Passi,枣疯病是肝炎导致肝炎预测开发的79.70% (26,27]。斯特恩和Dobnikar发达AIS、LDA和FDA模型实现了肝炎预测精度为82%,84.5%,和86.40%,分别为(27]。Nilashi等人发达的资讯,简称ANFIS,神经网络,支持向量机和实现肝炎预测精度为71.41%,79.67%,78.31%,和81.17%,分别为(28]。最近,Polat和枪讨论了杂交特征提取的主成分分析模型通过人工免疫识别与分类系统的预测肝炎疾病(1,29日]。

在本文中,我们开发一种混合智能诊断系统。为了提高演算法的强度预测模型,我们建议使用 - - - - - -惩罚线性支持向量机。的点球使得线性SVM稀疏,从而使它能够消除冗余特性通过稀疏的解决方案使其系数为零。后通过稀疏线性支持向量机消除冗余特征,剩下的功能是提供给分类演算法模型。为了分析影响演算法的稀疏线性支持向量机模型,我们进行了两种类型的数值实验。在第一个实验中,我们开发了传统演算法模型,而在第二个实验中,我们构建了一个学习系统的叠加与演算法的稀疏支持向量机模型。的性能模型,开发了两个实验,使用在线评估肝炎疾病数据。实验结果表明,传统演算法的稀疏线性支持向量机提高了精度(肝炎疾病预测基于收集的临床特征)。此外,稀疏线性支持向量机也可以减少演算法模型的复杂性最优的特征子集包含更少数量的特性。

手稿的其余部分组织如下。数据集,提出了稀疏线性支持向量机,AdaBoost-based学习系统在部分阐述2。部分3讨论各种方案验证以及多个指标评估中使用的手稿。部分4讨论了实验装置和结果,而最后一部分总结了纸。

2。材料和方法

2.1。数据集描述

肝炎数据集包含155个样本,每个样本包含19个特性。细节为肝炎数据集19常用特性表1。数据集的标签是二进制。,it can have a value of 1 or 2, where 1 means the sample belongs to a patient who died, while 2 means the sample is that of a subject who survived. There are 32 samples having label 1 and 123 samples having the label value of 2, i.e., the dataset contains 123 samples belonging to healthy class and 32 samples belonging to patient class. In machine learning, we split the data into two parts, namely, training and testing. The training part is used to train the model, and its performance is checked by testing the trained model on the testing data. In this study, the dataset is divided into training and testing datasets using 70–30 data portioning. Hence, out of the 155 samples, 108 samples are used for training purposes, and the remaining 47 samples are used for testing purposes. Out of the 108 training samples, 23 samples belong to the patient class, and 85 patients belong to healthy class. On the other hand, out of the 47 testing samples, 7 samples belong to the patient group, and 38 samples belong to the healthy group. It can be noticed that lower class distribution of the patient class is a limitation of the dataset.

2.2。该方法

正如上面所讨论的,在本文中,我们利用稀疏线性支持向量机来提高机器学习的强度模型,即k最近的邻居(资讯),高斯朴素贝叶斯(GNB),线性判别分析(LDA),演算法整体模型。最初, - - - - - -惩罚线性支持向量机用于生成稀疏的特性,即。,to process the full set of features, null the redundant features, and yield a subset of features containing relevant features only. The generated subset of features by sparse linear SVM is supplied to machine learning models for classification purposes. The sparsity of the linear SVM is controlled by its hyperparameter 。因此,不同的价值观 ,各种不同的功能会失效导致不同的特征子集。因此,实现更好的肝炎预测精度,有必要开发一个稀疏线性支持向量机,将取消最多余的或无关紧要的特性和生成最相关的特性的一个子集。这可以通过调优hyperparameter来完成 。为了更好地理解该学习系统的功能,是相关简要讨论 - - - - - -惩罚线性SVM模型及其配方。制定如下。

支持向量机(svm)被认为是强大的学习方法,已经广泛应用于不同的生物医学和健康informatics-related问题[30.]。在培训过程中,支持向量机试图构建一个最优超平面,可以更好的区分两类的数据点(二进制的分类)31日]。机器学习研究的动机的主要原因为他们的问题是,使用支持向量机SVM有强大的泛化功能看不见的数据和他们依靠很小数量的hyperparameters [32]。

考虑数据集与实例 ,在哪里代表例如,代表了肝炎的原始特征空间的维度数据,和表示类标签。,presence or absence of hepatitis disease. The value is 19 for the hepatitis dataset considered in this paper. The SVM model determines a hyperplane calculated by ,在哪里代表了偏见和表示权重向量。基于训练数据,超平面SVM的增加利润,而它限制分类错误(33]。之间的距离之和最消极和最近的正面实例称为保证金。换句话说,超平面距离增加保证金 。

用支持向量机使用一组松弛变量 , 和一个点球参数,即 ,并试图最大化和减少误分类的错误34]。这一事实是制定如下: 受 ,在哪里是校准的松弛变量错误分类的程度和欧几里得范数或 - - - - - -规范是惩罚项。介绍了支持向量机的不同版本,布拉德利和Mangasarian取代了欧几里得范数,也就是说, - - - - - -规范与 - - - - - -罚函数(35]。的 - - - - - -处罚SVM产生稀疏的解决方案和特征选择属性由于其能力的自动推翻无关紧要或嘈杂的特性,因此可用于特征选择。的制定 - - - - - -处罚SVM给出如下:

从上面的公式,可以看出,对于不同的hyperparameter设置支持向量机,即 ,不同的特性将空;因此,不同的特征子集将产生36]。我们的目标是优化的价值以这种方式生产特性的一个子集将显示最佳性能的肝炎疾病预测精度。这是通过使用穷举搜索方法。经过的生产特性的子集,应用机器学习演算法模型。演算法模型是用于分类的任务。

演算法(也称为自适应提升分类器)是一个整体的学习模式。它利用提升方法构造一个metaclassifier通过结合基分类器的优势,即。、弱估计。提高操作帮助弱者估计转化为更强的或提振模型。在提升的过程中,基本评估学习者或估计的加权和生产提高了模型的最终的输出。这个事实反映在以下公式: 在哪里米^th基分类器是用和表示的重量米^th分类器或估计。为了实现演算法模型,我们使用scikit-learn python API (37]。在接下来的讨论中,表示的总数分类器或估计用于构建最终的演算法模型。

本文的主要目的是调查和利用稀疏线性的 - - - - - -正规化SVM进一步提高强度的演算法模型。实现这一目标,我们开发一个级联的线性稀疏支持向量机和演算法模型。提供完整的特性集的输入支持向量机产生的不同子集基于hyperparameter的价值功能 。性能特征子集的评价他们的应用程序来演算法模型。因此,在初始阶段,我们需要离散化hyperparameter。离散化后 ,我们将不得不搜索的最优值这将产生最优的特征子集将展示最佳的分类性能。该方法的整个过程图所示1。从图可以看出,起初,生成特性的一个子集,利用一个特定的值 。功能给演算法模型的子集训练使用一个值E。子集的特性,性能评估下最优的E。此外,另一个的子集生成特性利用另一个离散值 ,又演算法模型训练和评估下的最优值E。重复这个过程,直到所有的子集特性评估和测试。最后,最优的特征子集选择基于性能。

3所示。该方法的评价

在文学,不同的研究人员利用各种指标的绩效评估提出了方法。然而,对于一个更实际的绩效考评方法,我们利用以下五个评价指标称为精度(ACC),特异性(规范),灵敏度(议员)和马修斯相关系数( )。准确性使信息正确分类对象的总数(无论健康或病人)。特异性表达的信息数量的健康受试者正确分类。同样,灵敏度代表比例的受试者正确分类。是用来测量二元分类的质量。这些指标的基本公式如下:

4所示。结果与讨论

在本节中,实验设置和结果进行了分析和讨论。所有的实验(包括传统的基于机器学习实验,提出了基于方法的实验)执行使用Python软件(scikit-learn)。实验模拟使用英特尔酷睿i5处理器和8 GB内存和64位操作系统。为了比较,我们进行了两种类型的实验。首先,传统演算法为肝炎疾病的预测模型。第二,提出了混合模型来预测肝炎疾病基于过滤的特性集。

4.1。肝炎模拟传统演算法的模型数据

在这个实验中,我们开发肝炎疾病的传统演算法模型数据。模型是使用70%的训练数据集和测试在剩下的30%的数据。一个详尽的网格搜索算法用于搜索优化版本的演算法模型。结果最优hyperparameters和nonoptimal hyperparameters表2。很明显从表中82.97%的准确率的最佳性能,敏感性11.11%,特异性100%,0.302获得最佳hyperparameter MCC,也就是说, 。

4.2。该方法的模拟使用稀疏线性支持向量机和肝炎演算法模型数据

在这个实验中,该学习系统开发利用这两个模型,即。稀疏线性支持向量机和演算法模型。仿真结果被发表在表3。表中我们可以看到,不同的值稀疏支持向量机的生成特性与不同大小的不同子集。特征子集的大小N= 1 - 10,没有观察到改善性能。然而,从 开始,我们看到系统的性能的变化。很明显从表中获得89.36%的最佳性能 ,即。,与subset of features having only 16 features. However, the best performance on full feature set, i.e., on conventional AdaBoost is 82.97% which is shown in the last row of the table. Hence, it can be observed that coupling the conventional AdaBoost model with sparse linear SVM model improves the performance by 6.39%.

在测试数据统计分析结果,我们利用混淆矩阵。正如上面所讨论的,数据集分为训练和测试数据集使用70 - 30的数据分配。因此,155个样本的108个样本用于培训目的,其余47个样本用于测试目的。的108个训练样本,23个样本属于病人类,和85名患者属于健康类。另一方面,47个测试样品,7样品属于病人组,38个样本属于健康组。的预测结果l₁SVM-AdaBoost模型是统计上的混淆矩阵图2。

进一步表明,耦合的稀疏线性支持向量机与传统演算法模型提高了传统演算法的性能模型,我们使用AUC。AUC的传统演算法模型是0.587,而AUC的该方法是0.649。因此,中华民国图表进一步验证这一事实稀疏线性支持向量机的耦合增强肝炎疾病的演算法的性能数据。

4.3。与其它方法相比该方法的应用到肝炎数据

上述讨论验证本文提出的学习系统显著增加传统演算法的强度模型。在本节中,学习系统的有效性从而开发进一步验证其性能进行比较的一些著名的模型在先前的研究。模型的预测精度和简短的细节表4。很明显,我们的方法承诺更好的性能在23个其他机器学习模型。

通过分析表4可以看出,以往的方法利用各种基于机器学习方法改善肝炎疾病预测精度。例如,斯特恩和Dobnikar开发方法基于判别分析(包括线性判别分析和二次判别分析),可以实现二次判别分析分类精度为85.8%。同样,Ozyildirim和Yildirim发达的模型搜索出最优模型有更好的分类精度。他们获得了分类精度最高的83.75%使用径向基函数(RBF)。此外,如果我们分析结果列在下表中4,之前的方法进行了分析方法仅考虑分类精度。在本文中,我们分析的结果提出了混合方法与指标,证明了该方法的鲁棒性两个关键指标,即。、分类精度和曲线下面积(AUC)。

4.4。研究的局限性

虽然本文演示的效果利用稀疏特征空间来提高性能的机器学习模型,主要的限制是敏感率较低。这是由于患者的低表示类的数据集。肝炎疾病数据集的主要限制是它自然不平衡。数据集类分布不均匀,即。,out of 155 samples, 123 samples belong to the healthy class, and 32 samples belong to the patient class. Recent research pointed out that machine learning models trained under such imbalanced classes show biased performance against the minority class (i.e., the models show very poor performance on the minority class) [40]。另一方面,模型偏向于多数类,即。模型将显示,多数类的很好的性能。在肝炎疾病数据集的情况下,少数类是病人类,多数类是健康类。从结果可以看出,多数类有100%检测准确性特异性(即100%),而少数类检测精度差,即,44%。在未来的研究中,我们需要收集平衡数据集,即。,拥有相同的表示为类。机器学习模型训练在这种平衡的场景应该显示更好的灵敏度。此外,穷举搜索方法hyperparameters优化耗时。在未来,应用metaheuristic算法(41,42应该探索。

5。结论和未来的工作

这项工作开发了一个自动肝炎疾病检测系统通过使用机器学习的方法。演算法模型开发的肝炎疾病的预测。提高分类演算法模型的强度、稀疏线性支持向量机模型的利用。支持向量机模型消除了冗余或不相关的特性,因此提高了演算法模型的预测精度。也表明,提出的稀疏线性支持向量机也被证明有助于降低时间复杂度的演算法模型。此外,明显的仿真结果,我们提出的方法超越了很多先前发表的肝炎疾病预测精度的方法。鉴于实验定量数据和结果,因此可以安全地得出结论,该方法也可以用来提高性能的其他机器学习模型,从而可以帮助做出质量决定在各种其他疾病检测问题。

正如上面所讨论的,虽然该方法可以作为一种工具来提高性能的机器学习模型,得到精度仍然需要大量的改进。因此,在未来的研究中,更健壮的级联模型应该由使用深度学习方法分类。此外,灵敏度低,是由于降低病人类的类表示数据集也是一个限制的研究应该被视为一个开放的挑战未来的工作。在未来的研究中,扩展肝炎疾病数据集应该收集,将平衡类分布。

数据可用性

本研究中使用的所有数据就可以在UCI机器学习库。

的利益冲突

作者宣称没有利益冲突。

引用

1. k . Polat和美国Guneş肝炎疾病的预测基于主成分分析和人工免疫识别系统,”应用数学和计算,卷189,不。2、1282 - 1291年,2007页。视图:出版商的网站|谷歌学术搜索
2. e . Dogantekin a Dogantekin, d . Avci”自动肝炎诊断系统基于线性判别分析和基于自适应网络模糊推理系统,”专家系统与应用程序,36卷,不。8,11282 - 11286年,2009页。视图:出版商的网站|谷歌学术搜索
3. y . f . Liaw和c m .楚“乙型肝炎病毒感染,”《柳叶刀》,卷373,不。9663年,第592 - 582页,2009年。视图:出版商的网站|谷歌学术搜索
4. b . Rehermann和m . Nascimbeni免疫学乙型肝炎病毒和丙型肝炎病毒感染,”自然评论免疫学,5卷,不。3、215 - 229年,2005页。视图:出版商的网站|谷歌学术搜索
5. k Polat和美国Guneş肝炎疾病诊断使用一种新的基于特征选择的混合动力系统(FS)和人工免疫识别系统与模糊资源分配,”数字信号处理,16卷,不。6,889 - 901年,2006页。视图:出版商的网站|谷歌学术搜索
6. l·阿里·c·朱、m .周和y . Liu“早期诊断帕金森病从多个声音录音同时样本和特征选择,”专家系统与应用程序卷。137年,22 - 2019页。视图:出版商的网站|谷歌学术搜索
7. l·阿里·c·朱、张z和y . Liu”自动检测的基于多种类型的帕金森病持续发声使用线性判别分析和遗传优化神经网络,”IEEE平移工程在健康和医学杂志》上7卷,1 - 10,2019页。视图:出版商的网站|谷歌学术搜索
8. l·阿里·c·朱:a . Golilarz a . jave m .周和y . Liu,“可靠的帕金森病的检测分析手写图纸:建设一个公正的级联学习系统基于特征选择和自适应增强模式,”IEEE访问7卷,第116489 - 116480页,2019年。视图:出版商的网站|谷歌学术搜索
9. f·s·艾哈迈德,l·阿里·h·A . Khattak et al .,“混合机器学习框架来预测死亡率麻痹性肠梗阻病人使用电子健康记录(病历),“环境智能和人性化计算杂志》上,1 - 11,2020页。视图:谷歌学术搜索
10. f·s·艾哈迈德,l·阿里·b·A·约瑟夫,伊A . r . Ul穆斯塔法和s·A·c·布哈里”严格的统计深层神经网络方法预测死亡率创伤病人住进了重症监护室,”手术创伤和急性护理杂志》上,卷89,不。4、736 - 742年,2020页。视图:出版商的网站|谷歌学术搜索
11. t . Meraj a·哈桑s Zahoor et al .,“肺结节检测使用语义分割和分类的最优特性,”神经计算和Applicationsdoi,1卷,2019年。视图:出版商的网站|谷歌学术搜索
12. l·阿里,即Wajahat: a . Golilarz f . Keshtkar和s . a . Chan布哈里”LDA-GA-SVM:提高肝癌预测通过降维和遗传优化的支持向量机,”神经计算和应用,2020年。视图:出版商的网站|谷歌学术搜索
13. l·阿里和s·布哈里,”一个基于相互了解神经网络优化方法的泛化能力决策支持系统开发心脏衰竭的预测,“IRBM, 2020。视图:出版商的网站|谷歌学术搜索
14. l·阿里,美国美国汗:A . Golilarz et al .,“心脏衰竭的特性驱动的决策支持系统基于统计模型和高斯朴素贝叶斯预测,“计算和数学方法在医学卷,2019篇文章ID 6314328, 2019。视图:出版商的网站|谷歌学术搜索
15. x, y Chong,黄y . et al .,“使用机器学习算法来预测乙型肝炎表面抗原seroclearance,”计算和数学方法在医学卷,2019篇文章ID 6915850, 2019。视图:出版商的网站|谷歌学术搜索
16. n·k·库马尔和d . Vigneswari“Hepatitis-infectious疾病预测使用分类算法,研究药房和技术杂志》上,12卷,不。8,3720 - 3725年,2019页。视图:出版商的网站|谷歌学术搜索
17. v . k . Yarasuri g·k . Indukuri, a . k . Nair“肝炎疾病使用机器学习技术,预测”诉讼第三国际会议I-SMAC(物联网在社交、移动、分析和云)(I-SMAC)IEEE,页265 - 269年,Palladam,印度,2019。视图:谷歌学术搜索
18. g·艾哈迈德·m·a·汗,阿巴斯,a .阿b . s .汗和m . s .:“自动诊断乙型肝炎使用多层mamdani模糊推理系统,”医疗保健工程卷,2019篇文章ID 6361318, 2019。视图:出版商的网站|谷歌学术搜索
19. m·p·麦克雷b . Bozkurt c·m·巴兰坦et al .,“心脏记分卡:诊断多元指数预测心血管疾病的光谱分析系统,”专家系统与应用程序54卷,第147 - 136页,2016年。视图:出版商的网站|谷歌学术搜索
20. o .阿尔泰t Gurgenc,这种m . c·泽尔”预测磨损损失大量的铁合金涂层使用不同的机器学习算法,”摩擦,8卷,不。1,第114 - 107页,2020。视图:出版商的网站|谷歌学术搜索
21. g . Manogaran r . Varatharajan, m . k . Priyan”混合推荐系统基于多个内核的心脏病诊断与自适应神经模糊推理系统学习,”多媒体工具和应用程序,卷77,不。4、4379 - 4399年,2018页。视图:出版商的网站|谷歌学术搜索
22. 美国r . Acharya h . Fujita o . s . Lih m·亚当,j . h . Tan和c k . Chua”自动检测冠状动脉疾病使用不同持续时间的心电图与卷积神经网络部分,“以知识为基础的系统卷,132年,第71 - 62页,2017年。视图:出版商的网站|谷歌学术搜索
23. 公元多拉塔巴迪,s e . z Khadem和b . m .美国手语,“自动诊断冠状动脉疾病(cad)患者使用优化的支持向量机,”计算机在生物医学方法和项目卷,138年,第126 - 117页,2017年。视图:出版商的网站|谷歌学术搜索
24. m . Abdar m . Zomorodi-Moghadam r . Das, I.-H。停,”分类算法的性能分析肝脏疾病的早期检测,”专家系统与应用程序卷,67年,第251 - 239页,2017年。视图:出版商的网站|谷歌学术搜索
25. d . Calişir和大肠Dogantekin”,一个新的智能肝炎诊断系统:PCA-LSSVM”,专家系统与应用程序,38卷,不。8,10705 - 10708年,2011页。视图:出版商的网站|谷歌学术搜索
26. p . Luukka“相似性分类器使用基于相似性的修改概率等价关系”以知识为基础的系统,22卷,不。1,57 - 62,2009页。视图:出版商的网站|谷歌学术搜索
27. y岩石和m . Uyar”混合决策支持系统基于粗糙集和极端学习机对肝炎的诊断疾病,”应用软计算,13卷,不。8,3429 - 3438年,2013页。视图:出版商的网站|谷歌学术搜索
28. m . Nilashi h·艾哈迈迪l . Shahmoradi o·易卜拉欣·e·阿克巴里,“一个肝炎疾病诊断的预测方法利用去噪技术的集合体,”感染和公共卫生杂志》上,12卷,不。1,13-20,2019页。视图:出版商的网站|谷歌学术搜索
29. k . Polat和美国Guneş”,基于主成分分析的专家系统方法和自适应神经模糊推理系统的诊断糖尿病疾病,”数字信号处理,17卷,不。4、702 - 710年,2007页。视图:出版商的网站|谷歌学术搜索
30. l·阿里·a . Niamat j·a·汗et al .,”一个优化堆基于支持向量机的心脏衰竭的有效预测专家系统,”IEEE访问7卷,第54014 - 54007页,2019年。视图:出版商的网站|谷歌学术搜索
31. s . a . Naghibi k艾哈迈迪,a . Daneshi”应用支持向量机,随机森林和遗传算法优化的随机森林模型在地下水潜在的映射,”水资源管理没有,卷。31日。9日,第2775 - 2761页,2017年。视图:出版商的网站|谷歌学术搜索
32. s . Maldonado j·佩雷斯,r·韦伯和m·拉贝风”特征选择支持向量机通过混合整数线性规划,“信息科学卷,279年,第175 - 163页,2014年。视图:谷歌学术搜索
33. x元,问:棕褐色,x, y元,吴x,“风力发电预测使用集成混合自回归略微移动平均和最小二乘支持向量机,”能源卷,129年,第137 - 122页,2017年。视图:谷歌学术搜索
34. h . s .张成泽刘贤Bae h . s .公园,和d . k .唱“太阳能发电预测基于卫星图像和支持向量机,”IEEE可持续能源,7卷,不。3、1255 - 1263年,2016页。视图:谷歌学术搜索
35. p·s·布拉德利和o . l . Mangasarian”通过凹特征选择和支持向量机”《十五机器学习(ICML 1998)国际会议美国,麦迪逊,WI, 2020年。视图:谷歌学术搜索
36. j·朱和h .邹”变量线性支持向量机的选择,”研究计算智能系列丛书,35卷,施普林格,柏林,德国,2017年。视图:谷歌学术搜索
37. f . Pedregosa g . Varoquaux a Gramfort et al .,“SCIKIT-learn:机器学习在Python中,”机器学习研究杂志》上》12卷,第2830 - 2825页,2011年。视图:谷歌学术搜索
38. d·h·l . Chen y, b。, j . Liu和g .王”一种新的混合方法基于局部fisher判别分析和支持向量机的肝炎疾病诊断,”专家系统与应用程序,38卷,不。9日,第11803 - 11796页,2011年。视图:出版商的网站|谷歌学术搜索
39. j . s . Sartakhti m . h . Zangooei, k . Mozafari“肝炎疾病诊断使用一种新颖的基于支持向量机的混合方法和模拟退火(SVM-SA)”计算机在生物医学方法和项目,卷108,不。2、570 - 579年,2012页。视图:出版商的网站|谷歌学术搜索
40. y太阳,A . k . c . Wong和m . s .卡迈勒,“不平衡数据的分类:一个评论,”模式识别与人工智能》国际期刊上,23卷,不。4、687 - 719年,2009页。视图:出版商的网站|谷歌学术搜索
41. 美国美国汗、m . Rahim和l .阿里“校正阵列故障使用灰太狼优化器杂化的内点算法,”前沿的信息技术和电子工程,19卷,不。9日,第1202 - 1191页,2018年。视图:谷歌学术搜索
42. n . a . Golilarz h .高,r·库马尔·l·阿里,傅y,和c·李,“基于自适应小波核磁共振脑图像去噪,”神经科学前沿,14卷,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Wasif阿克巴et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。