بهبود تشخیص بیماری اوتیسم با استفاده از الگوریتم جنگل تصادفی

اوتیسم یا اختلالات طیف اوتیسم به روش های مختلفی بر روی پردازش اطلاعات فرد تاثیر می گذارد، علاوه بر این یک سری نقص های حسی و ناهماهنگی های عضوی نیز در ارفراد مبتلا وجود دارد. در زمان های گذشته اوتیسم توجه کمتری را از جامعه پزشکی و آموزش دریافت می نمود و این بدین معنی است که ممکن است تعداد بسیار زیادی مبتلا به اوتیسم در میان ما زندگی کنند. متاسفانه ، زمان انتظار برای تشخیص اوتیسم طولانی است به این دلیل که روشهای تشخیصی کنونی بسیار وقت گیر بوده و مقرون به صرفه نیستند. به طور کلی ، تاثیر اقتصادی اوتیسم و افزایش تعداد موارد اختلال طیف اوتیسم در سراسر جهان نیاز فوری به توسعه روش های غربالگری به راحتی اجرا شده و موثر را نشان می دهد. این مقاله برای رفع این مشکل ارائه شده است که کاربران و جامعه بهداشتی می توانند یک ابزار غربالگری اختلال طیف اوتیسم را داشته باشند.. مهم ترین ویژگی این مقاله، ابزاری اساسی برای جمع آوری داده های مربوط به اختلال طیف اوتیسم برای کودکان نوپا ، کودکان ، نوجوانان و بزرگسالان است. تجزیه و تحلیل ویژگی ها و پیش بینی ها ، گروه های کوچکی از صفات اوتیسم را بهبود می بخشد از طرفی اگ ر بزرگسالانی که در جامعه ایرانی در موقعیت های اجتماعی وکاری متفاوتی قرار دارند ولی در گذشته اختلال طیف گستره اوتیسم رادریافت ننموده اند اکنون این تشخیص را دریافت نمایند شاید این شناسایی بتواند به بهتر شدن فرهنگ اوتیسم در جامعه ما کمک کند . دراین مقاله از الگوریتم های Random forest ، IB1 ، Dagging ، HyperPipes و سایر روش ها استفاده نمودیم که بهترین الگوریتم با مطلوب ترین نتیجه الگوریتم Random forest ، IB1، Dagging HyperPipes و سایر روش ها استفاده نمودیم که بهترین الگوریتم با مطلوب ترین نتیجه الگوریتم Random forest با Precision=99.04 و Recall=0.987 و accuracy=99/57 می باشد.

کلیدواژه ها:

اوتیسم ، داده کاوی ، تکنینک های پردازش داده ، جنگل تصادفی