بهینه ساز ی تکنیک های داده کاوی به منظوره پیش بینی بیماری های کبدی

لزوم استفاده از الگوریتم های داده کاوی در پیش بینی و تشخیص بیماری به نحوی که صحت و اعتبار عملکرد آن قابل تضمین باشد، مطالعات وتحقیقات جدید را به سوی دستیابی به راهکارهای بهینه در دانش کامپیوتر رهنمون کرد ه است. مهمترین چالش در این زمینه، انتخاب بهینه ترینتکنیک داده کاوی برا ی پیشگویی بیماری ها می باشد و با توجه به اینکه در علم داده کاوی هیچ روشی را نمی توان یک روش 100 % مطلوب و کارآمدتلقی کرد و بالعکس روشی دیگر را ناکارآمد در نظر گرفت، بلکه کارآمدی هر روش را به هنگام اعمال آن روش بر روی یک دیتاست می توان موردارزیابی قرار داد و امکان تعمیم آن بر روی سایر دیتاست ها امری بجا نمی باشد ، لذا در این پژوهش با اعمال روش پیشنهادی بر روی برخی از مدل هایداده کاوی سعی در بهینه سازی آنها کردیم به گونه ای که روش پیشنهادی نقاط ضعف برخی از مدل های پایه را پوشش دهد. این تحقیق بصورتاختصاصی بر روی شناسایی و پیش بینی بیماریهای کبدی تمرکز دارد.مراحل انجام کار بر مبنای روش پیشنهادی این پژوهش به ترتیب عبارتست از تقسیم بندی داده ها به سه گروه آموزش (50 %)، اعتبارسنجی(20%) و آزمون (30 %)، انتخاب ویژگی به کمک الگوریتم گرگ خاکستری، سپس ساخت داده های جدید بر اساس ویژگی های منتخب، ساختمدل ها بر اساس داده های جدید، اعمال داده های اعتبار سنجی و تعیین وزن برای هر مدل، اعمال داده های آزمون بر روی هر مدل و در نهایت محاسبهنتایج نهایی.در این پژوهش 5 مدل طبقه بند داده کاوی مورد ارزیابی قرار گرفت که از بین این 5 مدل جنگل تصادفی بهترین بازده و مدل رگرسیون خطیبدترین بازده را بر روی نمونه های دیتاست داشتند و در نهایت روش رای گیر جمعی که یک روش مشورتی و اقتباس شده از 5 روش مذکور است باعملکردی مناسب توانست نتیجه مطلوب را بدست آورد.

کلیدواژه ها:

تشخیص بیماری ، داده کاوی ، بهینه سازی