تحلیل مقایسهای روشهای محاسبات نرم در خوشه بندی دادههای بالینی اختلالات کبدی

خوشه بندی داده های بالینی مانند مجموعه داده اختلالات کبدی برای کشف الگوهای پنهان بیماری اهمیت دارد. با این حال الگوریتم های استاندارد مانند K-Means با چالش هایی نظیر همگرایی در بهینه های محلی خوشه مواجه هستند. روش های محاسبات نرم به دلیل انعطاف پذیری راه حل های قدرتمندی برای غلبه بر این محدودیت ها ارائه می دهند. هدف این پژوهش ارزیابی مقایسهای سه روش محاسبات نرم شامل خوشه بندی فازی (FCM)، شبکه عصبی خود سازمانده (SOM) و بهینه سازی ازدحام ذرات (PSO) در برابر الگوریتم K-Means بر روی مجموعه داده اختلالات کبدی (UCI) است. داده ها پس از یک فرآیند پیش پردازش کامل شامل پاکسازی، حذف داده های پرت (IQR) و استانداردسازی، با استفاده از الگوریتم های بهینه شده از نظر پارامتر و پایداری خوشه بندی شدند. کیفیت نتایج با استفاده از معیارهای ارزیابی داخلی ضریب سیلوئت، کالینسکی ها راباس و دیویس-بولدین سنجیده شد. نتایج نشان داد که هیچ الگوریتمی در تمام معیارها برتری مطلق نداشت؛ روش فازی (FCM) با کسب بالاترین ضریب سیلوئت (۰.۲۳۹۷) بهترین کیفیت خوشه را از نظر فشردگی و جدایی نشان داد، الگوریتم PSO با دستیابی به کمترین شاخص دیویس-بولدین (۱.۶۰۱۷) بهترین عملکرد را در جداسازی مراکز خوشه ها داشت و K-Means در شاخص کالینسکی ها راباس (۷۱.۶۱) برتر بود. این یافته ها تایید می کند که روش های محاسبات نرم به ویژه FCM و PSO جایگزین های بسیار توانمند و کارآمدی برای خوشه بندی داده های بالینی هستند.

کلیدواژه ها:

خوشه بندی ، داده های بالینی ، اختلالات کبدی ، محاسبات نرم ، FCM ، SOM ، PSO ، K-Means