ارائه یک سیستم توصیه گر مبتنی بر تکنیک های داده کاوی به منظور پیشنهاد برنامه تمرینات ورزشی

این پژوهش به منظور پیش بینی احتمال خطر بیماری قلبی بر روی مجموعه داده بیماران قلبی کلیولند انجام گرفته است. مجموعه داده آن شامل 303 نمونه و 76 ویژگی است که تمام آزمایش های انجام شده روی 14 ویژگی اصلی از آن اشاره دارد و فیلد هدف که دارای دو کلاس 1 و 0 است هرکدام به ترتیب دارای مقادیر 138 و 165 نمونه است وضعیت نهایی فرد را که بیمار و یا نرمال خواهد بود، نشان می دهد. داده ها نیاز به متوازن سازی از طریق روش بیش نمونه گیری تصادفی داشتند و پس از متوازن سازی از طریق تکنیک بیش نمونه گیری تصادفی داده های هر دو کلاس به مقدار 242 رسیدند. مجموعه داده به دو دسته آموزش و تست با درصد 20 به 80 صورت گرفته است. از پنج تکنیک پرتکرار در این پژوهش به منظور مقایسه عملکرد مدل پیشنهادی استفاده شده است که شامل، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک، بیز ساده بود. مدل پیشنهادی از ترکیب دو طبقه بند آدابوست و شبکه عصبی هم گشتی ساخته شده است که دقت 87 درصد را به دست آورد. مدل های گروهی با ترکیب تعدادی طبقه بندی پایه به دقت بالایی دست می یابند و می توانند قابلیت اطمینان یادگیری ماشین را در مقایسه با یک طبقه بند منفرد افزایش دهند. علاوه بر این، روش های یادگیری ماشین را قادر می سازد تا با داده های نامتعادل مقابله کند که به عنوان یکی از چالش برانگیزترین مشکلات در یادگیری ماشین در نظر گرفته می شود. یکی از عوامل ایجاد بیماری قلبی کاهش تحرک و ضعف عضلات قلب است انجام دادن روزانه 30 دقیقه فعالیت ورزشی در سه دوره 10 دقیقه ای در بهبود سلامت روانی و فیزیکی و ارتقا کیفیت زندگی نقش خواهد داشت، به همین منظور پس از دریافت نتیجه نهایی و طبقه بندی نمونه ها به کلاس بیمار و نرمال، توصیه های ورزشی مناسب شرایط بیماران قلبی به کلاس بیمار داده می شود.

کلیدواژه ها:

تکنیک های داده کاوی ، یادگیری ژرف ، آدابوست-شبکه عصبی هم گشتی ، بیماری قلبی.