Resumen

Este artículo ofrece un enfoque híbrido que utiliza el algoritmo de colonia artificial de abejas (ABC) para la selección de características y máquinas de vectores de soporte para la clasificación. El propósito de este artículo es probar el efecto de la eliminación de las características no importantes y obsoletas de los conjuntos de datos en el éxito de la clasificación, utilizando el clasificador SVM. El enfoque desarrollado, convencionalmente utilizado en el diagnóstico de enfermedades hepáticas y diabetes, que son comúnmente observadas y reducen la calidad de vida, ha sido desarrollado. Para el diagnóstico de estas enfermedades, se utilizaron conjuntos de datos de hepatitis, trastornos hepáticos y diabetes de la base de datos UCI, y el sistema propuesto alcanzó precisión de clasificación del 94.92%, 74.81% y 79.29%, respectivamente. Para estos conjuntos de datos, las precisiones de clasificación se obtuvieron con la ayuda del método de validación cruzada de 10 pliegues. Los resultados muestran que el rendimiento del método es

• Materias:Robots Cuidados pediátricos Experimentos numéricos Radares Factores psicológicos
• Subjects:Robot Pediatric care Numerical experiments Radars Psychological factors
• Palabras claves:Colonia artificial de abejas; Selección de características; Máquinas de vectores de soporte; Clasificación; Enfermedades hepáticas; Diabetes
• Keywords:Artificial bee colony; Feature selection; Support vector machines; Classification; Liver diseases; Diabetes