استفاده از الگوریتم های داده کاوی در تشخیص اولیه بیماری پارکینسون در داده های متوازن

بیماری پارکینسون دارای تشخیص پزشکی بسیار مشکل و هزینه بر است و از آنجا که این بیماری در جوامع بشریبسیار شایع است، هر روز محققان در پی این هستند تا یک راه حل برای تشخیص زود هنگام این بیماری بیابند. تشخیص زودهنگام این بیماری نیاز به یک روش تشخیص صحیح و قابل اعتماد دارد که به پزشکان اجازه میدهد که آنرا از سایر بیماریهایمشابه تمیز دهند. بنابراین، یافتن یک روش تشخیص صحیح و موثر و همچنین عوامل خطر در بروز این بیماری، بسیار با اهمیتاست. بطور کلی ترکیب طبقهبندها یک زمینه تحقیقاتی جدید در مبحث یادگیری ماشین و تشخیص الگو میباشد. روشهایترکیبی به این صورت است که مجموعه ای از طبقه بندها را با داده های آموزشی ایجاد کرده و میزان صحت را با انجام عملیاترایگیری بر روی نتایج آنها بدست می آورند. از طرفی با وجود داده های نامتوازن و یادگیری در مجموعه داده های نامتوازنجایی که نمونه های طبقه اکثریت خیلی بیشتر از بقیه است، چالش مهمی در یادگیری ماشین است زیرا الگورتیم های قدیمییادگیری ماشین، ممکن است به سمت طبقه اکثریت متمایل شوند و این مسیله صحت پیش بینی را در طبقه اقلیت پایین می آورد.در این مقاله روش زیرنمونه برداری تصادفی را بعد از مقایسه آن با روشهای دیگر نمونه برداری مانند بیش نمونه بردای تصادفیو EasyEnsemble و ModifiedBagging ، برای نمونه برداری مجموعه آموزش استفاده شد و سپس نتایج را با معیارهایRecall و Precision و معیار F و معیار G ارزیابی نموده تا توان پیش بینی طبقه بندها در مقابل داده های نامتوازن افزایشپیدا کند. در این مقاله روشی را بر مبنای استخراج ویژگی بر مبنای طبقه بند ترکیبی شد تا داده های آموزش را برای طبقه بندپایه ایجاد شود.

کلیدواژه ها:

بیماری پارکینسون ، طبقه بندی ، ماشین بردار پشتیبان ، طبقه بند ترکیبی