ارایه روشی جهت افزایش دقت پیش بینی و تشخیص بیماری دیابت با ترکیب الگوریتم های بگینگ و رگرسیون لجستیک
- سال انتشار: 1396
- محل انتشار: دومین کنفرانس بین المللی پژوهش های دانش بنیان در مهندسی کامپیوتر و فناوری اطلاعات
- کد COI اختصاصی: CITCOMP02_022
- زبان مقاله: فارسی
- تعداد مشاهده: 790
نویسندگان
گروه کامپیوتر، دانشکده تحصیلات تکمیلی، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران
گروه کامپیوتر، دانشکده تحصیلات تکمیلی، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران
استادیار گروه برق، دانشگاه آزاد اسلامی بوشهر، بوشهر، ایران
چکیده
امروزه بیماری دیابت یکی از خطرناک ترین بیماری ها در سطح جهان است که سالانه طیف گسترده ای از افراد در سراسر دنیا به آن مبتلا می شوند. متاسفانه در کشور ما عواملی همچون تغذیه نامناسب، کیفیت پایین مواد غذایی، افزایش وزن، مصرف مواد مخدر، آلودگی هوا و بی تحرکی افراد سبب شده که تعداد افراد مبتلا به دیابت افزایش یابد و پیش بینی می-شود که این روند در سال های آینده نیز بیشتر شود. تشخیص دیر هنگام این بیماری سبب بروز بیماری های دیگری همچون رتینوپاتی دیابتی، بیماری های قلبی و عروقی و بیماری های مزمن کلیوی می شود، همین امر باعث می شود که روند درمان و بهبود افراد دشوارتر و پرهزینه تر شود. در این راستا تحقیقات متنوعی ارایه شده است که یکی از این راهکارها استفاده از الگوریتم ها و روش های دسته بندی می باشد، که هدف آن بالا بردن دقت دسته بندی و رسیدن به کارایی مطلوب می باشد. در این تحقیق از روش دسته بندی گروهی استفاده شده است، که بر روی ترکیب خروجی الگوریتم های ماشین بردار پشتیبان رگرسیون لجستیک با استفاده از تکنیک دسته بندی بگینگ عمل می کند. این روش پیشنهادی بر روی مجموعه داده بیماران رتینوپاتی دیابتی واقع در وزارت بهداشت ایالت متحده آمریکا، برای ارزیابی مورد استفاده قرار گرفته است. نتایج بدست آمده نشان دهنده کارایی بالای روش پیشنهادی، با دقت 85.26%، میانگین صحت 85.26% ، میانگین فراخونی 84.93%، خطای دسته بندی 9.3% و معیار کاپا 0.701می باشد.کلیدواژه ها
داده کاوی، بیماری دیابت، ماشین بردار پشتیبان، رگرسیون لجستیک، دسته بند گروهی، بگینگمقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.