بررسی انتخاب ویژگی در طبقه بندی سرطان از طریق الگوریتم شیرمورچه با استفاده از الگوریتم ماشین بردار پشتیبان SVM و شبکه عصبی پرسپترون چند لایه MLP

با توجه به توسعه تکنولوژی، ویژگی های مختلف بسیاری جهت تشخیص و پیش بینی سرطان جمع آوری شده اند که بکارگیری تمام این ویژگی ها برای حجم زیادی از موارد سرطانی توسط متخصصان بسیار مشکل می باشد. بنابراین متدولوژی های تجزیه و تحلیل داده کمک بسیار مفیدی به متخصصان هنگام تصمیم گیری در مورد تشخیص و پیش بینیسرطان کرده اند. اخیرا استفاده از داده کاوی در حوزه پزشکی مورد توجه زیادی قرار گرفته است. تکنیک های داده کاوی می توانند برای کشف دانش مورد نیاز استفاده شوند. رشد سریع پایگاه داده های پزشکی در کشورهای پیشرفته، انگیزهای شده است برای اینکه محققین پزشکی از تکنیک های داده کاوی برای استخراج دانش از این پایگاه داده ها استفاده کنند. در این مقاله داده های سرطان شامل تعداد زیادی از ویژگی ها (ژن) و تعداد محدود از نمونه ها است که به بررسی تاثیر انتخاب ویژگی به کمک الگوریتم شیرمورچه بر نرخ طبقه بندی با MLP و SVM می پردازد.