[论文解读] Classification of Diabetes Mellitus using Modified Particle Swarm Optimization and Least Squares Support Vector Machine

Omar S. Soliman, Eman AboElhamd|arXiv (Cornell University)|May 3, 2014

Artificial Intelligence in Healthcare参考文献 15被引用 5

一句话总结

本文提出了一种混合分类模型，结合改进型粒子群优化（MPSO）与最小二乘支持向量机（LS-SVM），以提升2型糖尿病的诊断效果。MPSO用于优化LS-SVM的关键参数，从而提高分类准确率，在Pima印第安人糖尿病数据集上实现了97.833%的平均准确率，优于在同一基准上测试的其他分类器。

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%.

研究动机与目标

• 解决LS-SVM在糖尿病分类中对参数选择的敏感性问题。
• 通过优化的机器学习模型提高2型糖尿病的分类准确率。
• 开发一种结合MPSO与LS-SVM的稳健混合算法，以提升诊断性能。
• 在标准基准数据集上评估所提出的模型，并与现有分类器进行比较。

提出的方法

• 使用改进型粒子群优化（MPSO）搜索最小二乘支持向量机（LS-SVM）的最优参数。
• LS-SVM通过构建最优分离超平面，将糖尿病患者分类为阳性或阴性。
• MPSO算法通过自适应参数调优，最小化分类误差，从而增强LS-SVM性能。
• 该混合模型在UCI机器学习库中的Pima印第安人糖尿病数据集上进行训练与测试。
• 采用标准分类指标评估性能，并与多种基线分类器进行对比。
• 参数优化聚焦于LS-SVM的正则化参数与核函数参数，以最大化准确率。

实验结果

研究问题

• RQ1 改进型PSO算法能否有效优化LS-SVM参数，从而提升糖尿病分类性能？
• RQ2 MPSO-LS-SVM混合模型在Pima印第安人糖尿病数据集上是否优于传统分类器？
• RQ3 LS-SVM性能对参数选择的敏感性如何？MPSO能否缓解这种敏感性？
• RQ4 与现有方法相比，所提出模型在相同基准上的分类准确率如何？

主要发现

• 所提出的MPSO-LS-SVM混合模型在Pima印第安人糖尿病数据集上实现了97.833%的平均分类准确率。
• 该模型优于其他测试的分类器，表现出更优的诊断性能。
• 通过MPSO实现的参数优化显著提升了LS-SVM的鲁棒性与分类稳定性。
• 结果证实LS-SVM对参数值高度敏感，而MPSO能有效缓解此问题。
• 该混合方法为临床与研究环境中的2型糖尿病分类提供了可靠且准确的解决方案。