دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 2 ۵ 2023 03 11 Breast cancer detection method using support vector machines improved by Harris Hawks optimization algorithm (HHO) روش تشخیص سرطان سینه با استفاده از ماشین های بردار پشتیبان بهبود یافته توسط الگوریتم بهینه ‌سازی شاهین هریس (HHO) 40 62 10.22051/jera.2021.31891.2698 FA مریم دانشجوی دکترا ، دانشکده فنی و مهندسی (گروه مهندسی کامپیوتر) ،واحد بیرجند ،دانشگاه آزاد اسلامی،بیرجند، ایران. مهدی استادیار ، دانشکده فنی و مهندسی (گروه مهندسی کامپیوتر) ،واحد بیرجند ،دانشگاه آزاد اسلامی،بیرجند، ایران. 2023 02 14 — Breast cancer is one of the deadly diseases among women and every year millions of people around the world die due to this disease.If breast cancer is detected in the early stages,the chances of survival will increase.One of the methods of breast cancer diagnosis is the use of knowledge discovery methods such as machine learning. Machine learning methods can discover the pattern of breast cancer by analyzing the information of patients and their records.The important advantage of using machine learning methods to diagnose breast cancer is to reduce diagnosis costs and help more accurate diagnosis by specialist doctors. One of the methods of breast cancer diagnosis is the use of a support vector machine. Support vector machine is a method for classifying samples with the aim of reducing operational risk in classification.One of the important challenges of the support vector machine is the output error of the model due to the lack of optimal selection of the learning parameters.In the proposed method to reduce the classification error of malignant and benign people, Harris Hawks's optimization algorithm has been used.The role of Harris Hawks's algorithm in the proposed method is to optimize the parameters of the support vector machine to reduce the diagnosis error of malignant patients.The evaluations have been done in the MATLAB programming environment and on the Wisconsin dataset.The evaluations show that the proposed method in breast cancer diagnosis has an accuracy of 99.31% and is more accurate than methods such as Wall's optimization algorithm in breast cancer diagnosis. سرطان سینه یکی از بیماری¬های کشنده در بین زنان است و سالانه میلیون¬ها نفر در سراسر جهان بر اثر این بیماری جان خود را از دست می¬دهند. سرطان سینه اگر در مراحل اولیه تشخیص داده شود، شانس زنده بودن بیماران را افزایش خواهد داد. یکی از روش¬های تشخیص بیماری سرطان سینه، استفاده از روش¬های کشف دانش مانند یادگیری ماشین است. روش¬های یادگیری ماشین می¬توانند با تجزیه و تحلیل اطلاعات بیماران و پرونده آنها، الگوی بیماری سرطان سینه را کشف نمایند. مزیت مهم استفاده از روش¬های یادگیری ماشین برای تشخیص سرطان سینه، کاهش هزینه¬های تشخیص و کمک به تشخیص دقیق¬تر توسط پزشکان متخصص است. یکی از روش¬های تشخیص بیماری سرطان سینه استفاده از ماشین بردار پشتیبان است. ماشین بردار پشتیبان یک روش برای طبقه¬بندی نمونه¬ها با هدف کاهش ریسک عملیاتی در طبقه¬بندی است. یکی از چالش¬های مهم ماشین بردار پشتیبان، خطای خروجی مدل به دلیل عدم انتخاب بهینه پارامترهای یادگیری است. در روش پیشنهادی برای کاهش دادن خطای طبقه¬بندی افراد بدخیم و خوش خیم، از الگوریتم بهینه¬سازی شاهین استفاده شده است. نقش الگوریتم شاهین در روش پیشنهادی بهینه¬سازی پارامترهای ماشین بردار پشتیبان برای کاهش دادن خطای تشخیص بیماران بدخیم است. ارزیابی¬ها در محیط برنامه¬نویسی متلب و روی مجموعه داده ویسکانسین انجام شده است. ارزیابی¬ها نشان می¬دهد روش پیشنهادی در تشخیص سرطان سینه دارای دقتی برابر 99.31% است و از روشهای نظیر الگوریتم بهینه-سازی وال در تشخیص سرطان سینه دقیق¬تر است. /downloadfilepdf/858633