本文利用核主成分分析法對乳腺癌的影響因子進(jìn)行特征提取，以獲取的主成分作為支持向量機(jī)的特征向量建立支持向量機(jī)模型，其中模型參數(shù)分別通過粒子群算法和遺傳算法進(jìn)行選擇優(yōu)化，分別構(gòu)建出KPCA-PSO-SVM模型和KPCA-GA-SVM模型，對乳腺腫塊是否為惡性進(jìn)行二分類。實(shí)驗(yàn)結(jié)果顯示：KPCA-PSO-SVM模型和KPCA-GA-SVM模型相比PSO-SVM模型和GA-SVM模型在分類準(zhǔn)確率方面和運(yùn)行速度方面均有所提高，表明核主成分分析支持向量機(jī)可以用于乳腺癌疾病的輔助診斷，可以為醫(yī)療機(jī)構(gòu)對乳腺癌疾病的診斷提供有力的決策支持。

　　利用機(jī)器學(xué)習(xí)方法來診斷疾病是目前發(fā)展較快的一個(gè)應(yīng)用分支。SVM （Support Vector Machine，支持向量機(jī)）是一個(gè)被廣泛使用的機(jī)器學(xué)習(xí)算法，它是在1995 年由Vapnik 等人提出的。該理論是基于統(tǒng)計(jì)學(xué)VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理提出的，它在解決小樣本、非線性和高維模式識別方面展現(xiàn)出了較強(qiáng)的優(yōu)勢，現(xiàn)已廣泛的應(yīng)用于模式識別、回歸估計(jì)等領(lǐng)域。但SVM 容易受輸入變量過多和噪聲的影響，過多的變量會使得運(yùn)行的時(shí)間過長，變量之間的相關(guān)性和輸入數(shù)據(jù)中存在的噪聲會使得模型的穩(wěn)定性和分類識別率降低。鑒于KPCA （Kernel Principal Component Analysis，核主成分分析）不僅具有降維、除噪的優(yōu)勢，而且能夠提取非線性的特征信息，提高數(shù)據(jù)質(zhì)量。因此本文把KPCA 引入到SVM中，建立KPCA-SVM 模型，實(shí)現(xiàn)乳腺癌的輔助診斷。