Document details

A seleção dos parâmetros da Máquina de Vetores de Suporte (SVM) é de grande importância, pois influencia de forma significativa o desempenho do algoritmo SVM. O algoritmo de Otimização por Enxame de Partículas (PSO) é eficiente e bastante utilizado na solução de muitos problemas do mundo real. Neste trabalho é utilizado um método para busca de parâmetros ótimos com base na otimização por enxame de partículas, com o objetivo de melhorar a capacidade de aprendizado e generalização do SVM. O PSO-SVM é utilizado neste trabalho para o diagnóstico de câncer de mama. A eficácia do algoritmo PSO-SVM foi avaliada em relação ao Wisconsin Breast Cancer Dataset (WBCD), que é uma base de dados comumente utilizada entre pesquisadores que utilizam métodos de aprendizagem de maquina para diagnósticos de câncer de mama, e em relação ao Early stage diabetes risk prediction, que é uma base de dados para previsão de risco de diabetes em estágio inicial, e por ultimo em relação a base de dados Sonar, Sonar, Minas vs. Rocha. A função de kernel utilizada é a Função de base radial (RBF). Os resultados do experimento demonstram que o algoritmo PSO-SVM obteve uma precisão bastante considerável quando comparado à outros estudos que utilizam somente o algoritmo SVM para o diagnóstico do câncer de mama e para a previsão de risco de diabetes. A utilização do PSO mostrou-se eficiente para a busca dos parâmetros do SVM.

The selection of the Support Vector Machine (SVM) parameters is of great importance, as it significantly influences the performance of the SVM algorithm. The Particle Swarm Optimization (PSO) algorithm is ecient and widely used in solving many real world problems. In this work, a method for finding optimal parameters based on particle swarm optimization is used, with the objective of improving the learning and generalization capacity of the SVM. The PSO-SVM is used in this work for the diagnosis of breast cancer. The e↵ectiveness of the PSO-SVM algorithm was evaluated against the Wisconsin Breast Cancer Dataset (WBCD), which is a database commonly used among researchers using machine learning methods to diagnose breast cancer, and against the Early stage diabetes risk prediction, which is a database for predicting early-stage diabetes risk, and lastly in relation to the Sonar, Mines vs. Rock. The kernel function used is Radial Basis Function (RBF). The results of the experiment demonstrate that the PSO-SVM algorithm achieved a very considerable accuracy when compared to other studies that use only the SVM algorithm for the diagnosis of breast cancer and for the prediction of diabetes risk. The use of PSO proved to be ecient in the search for SVM parameters.