تشخیص دیابت با استفاده از شبکه عصبی و ماشین بردار پشتیبان در opencv

در این پروژه با استفاده از الگوریتم های شبکه عصبی و ماشین بردار پشتیبان (svm) دیابت را پیش بینی می کنیم.

برای تشخیص دیابت از دیتاستی شامل ۱۰۰۰ نمونه استفاده کرده ایم، ۸۰۰ نمونه را برای آموزش و ۲۰۰ نمونه را نیز برای تست بکار برده ایم. هر نمونه دارای ۸ ویژگی است که عبارتند از:

– Number of times pregnant

۲- Plasma glucose concentration a 2 hours in an oral glucose tolerance test

۳- Diastolic blood pressure (mm Hg)

۴- Triceps skinfold thickness (mm)

۵- ۲-Hour serum insulin (mu U/ml)

۶- Body mass index (weight in kg/(height in m)^2)

۷- Diabetes pedigree function

۸- Age

در این پروژه از دو دسته بند شبکه عصبی و ماشین بردار پشتیبان برای تشخیص استفاده کرده ایم. شبکه عصبی را با سه لایه شامل لایه ورودی با ۸ نرون، لایه پنهان با ۲۰ نرون و لایه خروجی با ۲ نرون آموزش داده ایم، svm را نیز با تایع هسته غیر خطی RBF آموزش داده ایم. بعد از دانلود پروژه می توانید تعداد لایه ها و نرون ها در شبکه عصبی و تابع هسته در svm را به دلخواه تغییر دهید.

 

ویژگی های پروژه تشخیص دیابت عبارتند از:

  • برنامه نویسی با زبان c++ در محیط visual studio 2017
  • استفاده از کتابخانه opencv
  • تشخیص با استفاده از شبکه عصبی (neural network)
  • تشخیص با استفاده از ماشین بردار پشتیبان (support vector machine)
  • تنظیمات opencv به صورت پیش فرض در برنامه انجام شده است
  • توضیح کامل برنامه در سورس کد به صورت کامنت جهت درک بهتر

سورس پروژه های موجود در درس دانلود در زمینه یادگیری ماشین و هوش مصنوعی را می توانید از اینجا مشاهده کنید.

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

دیدگاهی بنویسید

0