[논문 리뷰] Classification of Diabetes Mellitus using Modified Particle Swarm Optimization and Least Squares Support Vector Machine

Omar S. Soliman, Eman AboElhamd|arXiv (Cornell University)|2014. 05. 03.

Artificial Intelligence in Healthcare참고 문헌 15인용 수 5

한 줄 요약

이 논문은 당뇨병 유형 II 진단을 향상시키기 위해 수정된 입자 군집 최적화(MPSO)와 최소 제곱법 서포트 벡터 머신(LS-SVM)을 조합한 하이브리드 분류 모델을 제안한다. MPSO는 분류 정확도를 향상시키기 위해 LS-SVM의 핵심 파라미터를 최적화하며, Pima Indians 당뇨병 데이터셋에서 평균 97.833%의 정확도를 달성하여 동일 기준에서 테스트된 다른 분류기들보다 뛰어나다.

ABSTRACT

Diabetes Mellitus is a major health problem all over the world. Many classification algorithms have been applied for its diagnoses and treatment. In this paper, a hybrid algorithm of Modified-Particle Swarm Optimization and Least Squares- Support Vector Machine is proposed for the classification of type II DM patients. LS-SVM algorithm is used for classification by finding optimal hyper-plane which separates various classes. Since LS-SVM is so sensitive to the changes of its parameter values, Modified-PSO algorithm is used as an optimization technique for LS-SVM parameters. This will Guarantee the robustness of the hybrid algorithm by searching for the optimal values for LS-SVM parameters. The pro-posed Algorithm is implemented and evaluated using Pima Indians Diabetes Data set from UCI repository of machine learning databases. It is also compared with different classifier algorithms which were applied on the same database. The experimental results showed the superiority of the proposed algorithm which could achieve an average classification accuracy of 97.833%.

연구 동기 및 목표

• LS-SVM의 파라미터 선택 민감성 문제를 해결하기 위해.
• 최적화된 기계 학습 모델을 통해 유형 II 당뇨병의 분류 정확도를 향상시키기 위해.
• 더 높은 진단 성능을 위한 MPSO와 LS-SVM을 조합한 강력한 하이브리드 알고리즘을 개발하기 위해.
• 표준 기준 데이터셋에서 제안된 모델을 평가하고 기존 분류기들과 비교하기 위해.

제안 방법

• 수정된 입자 군집 최적화(MPSO) 알고리즘을 사용하여 최소 제곱법 서포트 벡터 머신(LS-SVM)의 최적 파라미터를 탐색한다.
• LS-SVM은 당뇨병 환자를 양성 또는 음성 그룹으로 분류하기 위해 최적의 분리 초평면을 구축한다.
• MPSO 알고리즘은 적응적 파라미터 조정을 통해 분류 오차를 최소화함으로써 LS-SVM의 성능을 향상시킨다.
• 하이브리드 모델은 UCI 기계 학습 리포지터리에서 제공하는 Pima Indians 당뇨병 데이터셋을 기반으로 훈련 및 테스트된다.
• 표준 분류 성능 지표를 사용하여 성능을 평가하며, 결과는 여러 기준 분류기들과 비교된다.
• 파라미터 최적화는 LS-SVM의 정규화 및 커널 파라미터에 집중되어 정확도를 극대화하기 위해 수행된다.

실험 결과

연구 질문

• RQ1 수정된 PSO 알고리즘이 LS-SVM 파라미터를 효과적으로 최적화하여 당뇨병 분류 성능을 향상시킬 수 있는가?
• RQ2 하이브리드 MPSO-LS-SVM 모델은 Pima Indians 당뇨병 데이터셋에서 기존의 분류기들보다 더 높은 정확도를 달성하는가?
• RQ3 LS-SVM 성능은 파라미터 선택에 얼마나 민감한가, 그리고 MPSO는 이러한 민감성을 완화시킬 수 있는가?
• RQ4 제안된 모델의 분류 정확도는 동일 기준에서 기존 방법들과 비교해 볼 때 어떻게 되는가?

주요 결과

• 제안된 MPSO-LS-SVM 하이브리드 모델은 Pima Indians 당뇨병 데이터셋에서 평균 분류 정확도 97.833%를 달성하였다.
• 모델은 다른 테스트된 분류기들보다 뛰어난 진단 성능를 보이며 우수한 성능를 입증하였다.
• MPSO를 통한 파라미터 최적화는 LS-SVM의 강건성과 분류 안정성을 크게 향상시켰다.
• 결과는 LS-SVM가 파라미터 값에 매우 민감하며, MPSO가 이 문제를 효과적으로 완화시킬 수 있음을 확인하였다.
• 이 하이브리드 접근법은 임상 및 연구 현장에서 유형 II 당뇨병 분류에 신뢰할 수 있고 정확한 해결책을 제공한다.