Systems and methods for enhancing knowledge discovery from data using
multiple learning machines in general and multiple support vector machines
in particular. Training data for a learning machine is pre-processed in
order to add meaning thereto. Multiple support vector machines, each
comprising distinct kernels, are trained with the pre-processed training
data and are tested with test data that is pre-processed in the same
manner. The test outputs from multiple support vector machines are
compared in order to determine which of the test outputs if any represents
a optimal solution. Selection of one or more kernels may be adjusted and
one or more support vector machines may be retrained and retested. Optimal
solutions based on distinct input data sets may be combined to form a new
input data set to be input into one or more additional support vector
machine. The methods, systems and devices of the present invention
comprise use of Support Vector Machines for the identification of patterns
that are important for medical diagnosis, prognosis and treatment. Such
patterns may be found in many different datasets. The present invention
also comprises methods and compositions for the treatment and diagnosis of
medical conditions.
Συστήματα και μέθοδοι για την ανακάλυψη γνώσης από τα στοιχεία που χρησιμοποιούν τις πολλαπλάσιες μηχανές εκμάθησης γενικά και τις διανυσματικές μηχανές πολλαπλάσιας υποστήριξης ειδικότερα. Το στοιχείο κατάρτισης για μια μηχανή εκμάθησης προεπεξεργάζεται προκειμένου να προστεθεί να σημάνει επιπλέον. Οι διανυσματικές μηχανές πολλαπλάσιας υποστήριξης, κάθε μια που περιλαμβάνει τους ευδιάκριτους πυρήνες, εκπαιδεύονται με τα προεπεξεργασμένα στοιχεία κατάρτισης και εξετάζονται με το στοιχείο δοκιμής που προεπεξεργάζεται με τον ίδιο τρόπο. Τα αποτελέσματα δοκιμής από τις διανυσματικές μηχανές πολλαπλάσιας υποστήριξης συγκρίνονται προκειμένου να καθοριστούν όποιοι των αποτελεσμάτων δοκιμής εάν οποιοδήποτε αντιπροσωπεύει μια βέλτιστη λύση. Η επιλογή ενός ή περισσότερων πυρήνων μπορεί να ρυθμιστεί και μια ή περισσότερες διανυσματικές μηχανές υποστήριξης μπορούν να επανεκπαιδευθούν και να επανελεγχούν. Οι βέλτιστες λύσεις βασισμένες στα ευδιάκριτα σύνολα δεδομένων εισόδου μπορούν να συνδυαστούν για να διαμορφώσουν ένα νέο δεδομένο εισόδου θέτουν για να εισαχθούν σε ένα ή περισσότερα τη διανυσματική μηχανή πρόσθετης υποστήριξης. Οι μέθοδοι, τα συστήματα και οι συσκευές της παρούσας εφεύρεσης περιλαμβάνουν τη χρήση των διανυσματικών μηχανών υποστήριξης για τον προσδιορισμό των σχεδίων που είναι σημαντικά για την ιατρικές διάγνωση, την πρόγνωση και τη θεραπεία. Τέτοια σχέδια μπορούν να βρεθούν σε πολλά διαφορετικά σύνολα δεδομένων. Η παρούσα εφεύρεση περιλαμβάνει επίσης τις μεθόδους και τις συνθέσεις για τη θεραπεία και τη διάγνωση των φυσικών καταστάσεων.
