بیماریهای مزمن از دلایل اصلی مرگومیر در سالهای اخیر بودهاند. پژوهشهای تجربی بسیاری برای تشخیص بیماری مزمن در کشــورهای مختلف گزارش شدهاند. در مطالعات انجام شــده، روشهای یادگیری ماشــین، نقش بهسزایی در تشخیص بیماریهای مزمن داشتهاند. از جملۀ این روشها، میتوان به ماشین بردار پشتیبان استاندارد و دوقلو اشــاره کرد. دادههای بیماریهای مزمن دارای نوفه ذاتی و نمونههای پرت میباشند. این مهم باعث افت شدید ّ دقت مدلهای ماشــین بردار پشــتیبان استاندارد و دوقلو میگردد. در مدل جدید، برای برطرف کردن کاســتی بیان ّ شده و رفع حساسیت نسبت به دادههای نوفهای ،1به جای دستهبندی ماشــین بردار پشــتیبان دوقلو، ماشین بردار پشــتیبان دوقلو با قیود نرم پیشــنهاد شده است. این مدل فضای شدنی مسئله بهینهســازی درجه دوم را گسترش 1-Noise می ِ دهد. با گســترش فضای شــدنی مســئله، به نمونهها اجازۀ ّ تخط َ ی از ابرصفحات داده میشود و تأثیر دادههای نوفــهای و دور افتاده در تشــخیص نهایی کاهش مییابد. الگوریتم پیشنهادی، بر روی پنج مجموعه داده از دادههای بالینی پزشکی، اجرا و نتایج آن با روشهای ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و نزدیکترین همســایه مقایسه شــده ّ اند. میانگین دقت روش پیشنهادی نســبت به بهترین میانگین در روشهای پیشین، حاکی از بهبود حدود %7در نتایج تجربی میباشد

کلمات کلیدی