पिमा भारतीय मधुमेह डेटा सेट पर चिकित्सा निदान के लिए क्षेत्राधारित समर्थन वेक्टर मशीन एल्गोरिदम

यूसीआई मशीन लर्निंग डेटाबेस से प्राप्त डेटा से पिमा भारतीय मधुमेह का निदान करने की समस्या को एक परिवर्तित समर्थन वेक्टर मशीन रणनीति के साथ संभाला गया है। विभिन्न वर्गीकरण विधियों पर प्रस्तावित एल्गोरिदम के लाभों को प्रदर्शित करने के लिए पूर्व अध्ययनों के साथ प्रदर्शन की तुलना प्रस्तुत की गई है। इस पत्र का उद्देश्य एक ऐसी कार्यप्रणाली का grasp प्रदान करना है जिसे पारंपरिक दृष्टिकोण जैसे न्यूरल नेटवर्क, आरबीएफ नेटवर्क और के-निरंतर पड़ोसियों के उपयोग से प्राप्त वर्गीकरण सफलता की दर को बढ़ाने के लिए कुशलता से उपयोग किया जा सके। प्रस्तावित एल्गोरिदम प्रशिक्षण सेट को दो उपसमुचयों में विभाजित करता है: एक जो सहसंबंधित डेटा क्षेत्रों के संयोजन से उत्पन्न होता है और एक जो उस डेटा भाग comprises करता है जिसे क्लस्टर करना कठिन है। नतीजतन, पहले उपसमुच्चय का उपयोग आरबीएफ कर्नेल के साथ एक समर्थन वेक्टर मशीन को प्रशिक्षित करने के लिए किया जाता है और दूसरे उपसमुच्चय का उपयोग बहुपद कर्नेल के साथ एक अन्य समर्थन वेक्टर मशीन को प्रशिक्षित करने के लिए किया जाता है। वर्गीकरण के दौरान, एल्गोरिदम यह पहचानने में सक्षम है कि इन दो समर्थन वेक्टर मशीन मॉडलों में से कौन-सा उपयोग करना है। प्रस्तावित एल्गोरिदम के पीछे की अंतर्दृष्टि इस अपेक्षा पर आधारित है कि आरबीएफ समर्थन वेक्टर मशीन मॉडल उन डेटा सेटों पर उपयोग करने के लिए अधिक उपयुक्त है जिनकी विशेषताएँ भिन्न हैं, बनिस्बत बहुपद कर्नेल के। विशेष अध्ययन मामले में, प्रस्तावित एल्गोरिदम ने औसत वर्गीकरण सफलता दर को 82.2% तक बढ़ा दिया, जबकि पूर्व अध्ययनों द्वारा प्राप्त सबसे अच्छा प्रदर्शन 81% था, जो एक अच्छी तरह से ट्यून की गई अत्यधिक जटिल ARTMAP-IC मॉडल द्वारा दिया गया था।