Merkmalsauswahl mit genetischem Algorithmus zur Verbesserung des SVM-Klassifikators

Dieses Buch enthält Klassifikationsalgorithmen wie Support Vector Machine und Genetic Algorithm, die verwendet werden, um die Klassifikationsgenauigkeit für den Wisconsin-Brustkrebs-Datensatz zu ermitteln. Der Benchmark-Datensatz, der Wisconsin-Brustkrebs-Datensatz, stammt aus dem UCI Machine Learning Repository. Der Datensatz besteht aus 699 Instanzen, die in 2 Klassen, nämlich gutartig und bösartig, mit jeweils 11 Attributen unterteilt sind. Support Vector Machines (SVMs) sind ein Satz verwandter überwachter Lernmethoden, die für die Klassifizierung verwendet werden. Ein Klassifikations-SVM-Modell versucht, die Zielklassen mit einem möglichst großen Spielraum zu trennen. In SVM werden die radiale Basisfunktion und die polynomielle Kernelfunktion verwendet, um die Klassifizierungsgenauigkeit und die Laufzeit zu berechnen. Die Merkmalsauswahl wird verwendet, um die Genauigkeit des SVM-Klassifikators zu verbessern. In GA werden Integer und Binary Coded Genetic Algorithm auch verwendet, um die Klassifizierungsgenauigkeit und die Laufzeit zu berechnen. Integer-Coded Genetic Algorithm wird verwendet, um wichtige und relevante Merkmale für die Klassifizierung auszuwählen. Binär codierter genetischer Algorithmus kann auf viele Optimierungsprobleme angewendet werden, die binäre Zeichenfolgen für die Variablen enthalten.