توسعه ی تکاملی الگوریتم جنگل تصادفی مبتنی بر دقت و تنوع برای تشخیص بیماریهای قلبی

پیش بینی بیماری قلبی یکی از مسائل مهم در داده کاوی است و تاکنون روشهای مختلفی برای بهبود دقت پیش بینی این چالش ارائه شده است، با این حال نیاز به ارتقا دقت پیش بینی همچنان در این حوزه حس میشود. در این مقاله با استفاده از روش چندهدفه بهینه سازی ازدحام ذرات و جنگل تصادفی رویکرد جمعی جدیدی برای بهبود پیش بینی بیماری قلبی ارائه میشود. در این روش به جای رویکرد رایج انتخاب تصادفی ویژگی ها و نمونه ها در جنگل تصادفی و همچنین انتخاب تصادفی تعداد مجموعه های آموزشی، از رویکرد تکاملی چندهدفه استفاده میشود تا مجموعه های آموزشی با ویژگی ها و نمونه های متنوع برای برای آموزش هر درخت تولید شود. این اهم با در نظر گرفتن بده - پستان بین دقت و تنوع در روش های جمعی و بهینه سازی همزمان دو تابع هدف دقت و تنوع انجام می شود. در نهایت راه حل های بهینه بدست آمده در مرز پارتو تعیین کننده تعداد مجموعه های آموزشی و درخت تصمیم مورد نیاز برای ساخت جنگل تصادفی است. موثر بودن روش پیشنهادی از طریق مقایسه عملکرد آن بر روی چهار مجموعه داده قلب، با طبقه بندهای جمعی مختلف بررسی شده است. همچنین نتایج مقایسه روش پیشنهادی با جنگل تصادفی نشان داده است که روش پیشنهادی با تعداد طبقه بندهای کمتر عمکلرد برتری نسبت به الگوریتم جنگل تصادفی با تعداد طبقه بندهای مختلف دارد.

کلیدواژه ها:

جنگل تصادفی ، یادگیری جمعی ، الگوریتم های تکاملی ، بیماری قلبی