مدل پیش بینی ابتلا به دیابت نوع۲ با استفاده از الگوریتم های داده کاوی
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 190
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMUMS-30-191_003
تاریخ نمایه سازی: 1 آبان 1402
چکیده مقاله:
سابقه و هدف: استفاده گسترده از سیستم های اطلاعات و پایگاه های داده، ادغام آن را با شیوه های سنتی برای دستیابی به دقت و سرعت بالاتر جهت تشخیص و پیشگیری بیماری و انتخاب روش های درمان و تصمیم گیری ها به یک الزام تبدیل کرده است. این مطالعه با هدف ارائه یک سیستم دقیق برای تشخیص بیماری دیابت با استفاده از تکنیک داده کاوی و به کارگیری یک روش ابتکاری شامل ترکیب شبکه عصبی با الگوریتم هوش دسته جمعی ذرات، انجام پذیرفت.
مواد و روش ها: در این مطالعه کاربردی، همراه با آموزش شبکه عصبی از الگوریتم هوش دسته جمعی ذرات جهت تعیین بهینه تر اوزان شبکه عصبی با استفاده از نرم افزار رپیدماینر بر روی مجموعه داده pima مربوط به ۷۶۸ بیمار درکشور هند استفاده گردید.
یافته ها: بررسی انجام شده نشان می دهد که الگوریتم پیشنهادی می تواند منطبق بر مدل واقعی باشد به طوری که بیش ترین مقدار دقت، ویژگی و حساسیت در روش پیشنهادی با تعداد ۵۰ آزمایش مختلف، به ترتیب ۱/۹۴، ۸۸/۹۲، ۱۲/۹۲ درصد می باشد.
استنتاج: در روش پیشنهادی مدل پیش بینی دیابت نوع ۲، متوسط خطای مدلسازی به عنوان تابع هدف بعد از یکسری تکرار کمینه شد با افزایش جمعیت اولیه و تعداد تکرارها علاوه بر افزایش دقت روش پیشنهادی باعث بهبود پارامترهای حساسیت، ویژگی پیش بینی مثبت نیز شد به طوری که حساسیت، دقت روش پیشنهادی نسبت به روش های مشابه که در گذشته بکار رفته بود، بهتر و بیش تر می باشد.
کلیدواژه ها:
data mining ، diabetes ، neural network ، particle swarm optimization ، داده کاوی ، دیابت ، شبکه عصبی ، هوش دسته جمعی ذرات
نویسندگان
امیر پناه
MSc in Computer and Information Science, Mazandaran University of Medical Sciences, Sari, Iran
سامره فلاحپور
Lecturer, Department of Computer and Information Technology, Hadaf Institution of Higher Education, Sari, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :