属性约简结合GWO-SVC的乳腺恶性肿瘤数据诊断研究

• 作者: 刘卫勇 卞凯 周孟然 来文豪 胡锋 闫鹏程 陈焱焱
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 灰狼优化 递归特征消去 支持向量分类 乳腺恶性肿瘤 模式识别
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 155-159,234
• 页数: 6页
• 分类号: TP274
• 字数: 4358字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2019.08.027

摘要

乳腺癌是最常见的恶性肿瘤之一,也是仅次于肺癌死亡的第二大凶手.乳腺恶性肿瘤的准确迅速诊断对于癌症的治疗有着重要的意义.模式识别机器学习算法用于乳腺肿瘤的辨识可有效弥补传统诊断方法辨识精度的不足.提出一种支持向量机递归特征消去(Support Vector Machine Recursive Feature Elimination,SVMRFE)与灰狼优化支持向量分类(Grey Wolf Optimal Support Vector Classification,GWO-SVC)的组合算法.用SVMRFE对乳腺肿瘤数据的30条属性进行约简,将属性约简后得到的18条属性数据用于GWO-SVC学习建模,发现训练集分类准确率高达99.33％,测试集分类准确率高达99.11％,耗时只需2.12s.通过对比不同的智能算法分类结果表明,该方法具有较高的辨识精度与泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周孟然	安徽理工大学电气与信息工程学院	147	713	13.0	21.0
2	闫鹏程	安徽理工大学电气与信息工程学院	35	83	6.0	8.0
3	胡锋	安徽理工大学电气与信息工程学院	18	21	2.0	4.0
4	卞凯	安徽理工大学电气与信息工程学院	4	2	1.0	1.0
5	来文豪	安徽理工大学电气与信息工程学院	9	18	2.0	4.0
6	陈焱焱		1	2	1.0	1.0