تحلیل و انتخاب مدل بهینه برای پیشبینی سکته مغزی با استفاده از الگوریتم های طبقه بندی

در این تحقیق، یک مدل پیشبینی وقوع سکته مغزی بر اساس مجموعه داده های سلامت طراحی و توسعه داده شده است. هدف این مطالعه، شناسایی مدل با بهترین عملکرد در میان شش الگوریتم طبقه بندی شامل رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، بیز ساده، ماشین بردار پشتیبان و K-نزدیکترین همسایه است. پس از انجام مراحل پیش پردازش داده ها و استفاده از روش تکنیک افزایش مصنوعی نمونه های اقلیت (SMOTE) برای متوازن سازی داده های نامتوازن، هر یک از الگوریتم ها آموزش داده شده و نتایج آنها با استفاده از معیارهای ارزیابی شامل دقت کلی (Accuracy)، بازخوانی (Recall)، دقت (Precision)، امتیاز F۱ (F۱-Score)، میانگین کلن (Macro Avg) و میانگین وزنی (Weighted Avg) تحلیل شده اند. برای تحلیل دقیق تر، نمودارهای مشخصه عملکرد گیرنده، دقت-بازخوانی و ماتریس درهم ریختگی برای هر مدل رسم و بررسی شدند. نتایج نشان داد که مدل جنگل تصادفی به دلیل دقت بالا، بازخوانی مناسب و توانایی در مدیریت داده های پیچیده و غیرخطی، بهترین عملکرد را در پیشبینی وقوع سکته مغزی داشته است. در مقابل، مدل های لجستیک و بیز ساده ضعف بیشتری در شناسایی موارد مثبت نشان دادند. این مطالعه نشان می دهد که الگوریتم های طبقه بندی می توانند ابزارهای موثری در حوزه های پزشکی برای پیشبینی و تصمیم گیری باشند و انتخاب مدل مناسب تاثیر بسزایی در بهبود دقت پیشبینی ها دارد.

کلیدواژه ها:

الگوریتم های طبقه بندی ، پیشبینی سکته مغزی ، جنگل تصادفی ، یادگیری ماشین ، داده های پزشکی