ارائه روشی جهت بهبود کارایی تشخیص وضعیت تیروئید با استفاده از جنگل تصادفی Bagging
در سال های اخیر استفاده از روش های هوشمند و مبتنی بر یادگیری ماشین جهت تشخیص کارآمد وضعیت تیروئید در مراحل اولیه بسیار مورد استقبال قرار گرفته است. روش های یادگیری ماشین مطرح شده تاکنون به تنظیمات بیش ازحد پارامترها جهت تشخیص وضعیت تیروئید وابسته هستند که این موضوع به دلیل بیش برازش و مدیریت ناکافی داده های ازدست رفته درنهایت موجب عدم کارایی مناسب آن ها جهت این نوع تشخیص شده است. در این پژوهش برای اولین مرتبه تلاش نموده ایم با استفاده از روش یادگیری ماشین جنگل تصادفی Bagging، در نقطه تقسیم گره های تصمیم گیری اقدام به انتخاب تصادفی زیرمجموعه هایی از ویژگی ها نماییم تا از وابستگی شدید به تنظیمات پارامترها پیشگیری نموده و با مدیریت مناسب داده های ازدست رفته و پیشگیری از پردازش بیش ازحد موجب بهبود کارایی تشخیص وضعیت تیروئید گردد. جهت یادگیری و اعتبارسنجی روش پیشنهادی برای حل مسئله پژوهش از نرم افزار متلب و 215 نمونه از مجموعه داده های Thyroid Disease که توسط سایت معتبر داده ای UCI مطرح گردیده، استفاده شده است. از معیارهای ماتریس اغتشاش، TPR، FPR، AUC_ROC و ACC جهت ارزیابی میزان دقت و کارایی روش یادگیری ماشین جنگل تصادفی پیشنهادی و روش های مورد مقایسه تشخیص وضعیت تیروئید، استفاده شده است. مطابق نتایج ارزیابی تجربی پژوهش در نرم افزار متلب، مشاهده شده است که روش پیشنهادی با دقتی معادل با 0.98 توانسته است نسبت به روش های مورد مقایسه کارایی و دقت تشخیص وضعیت تیروئید را بهبود دهد. افزایش دقت و کارایی تشخیص زودهنگام وضعیت تیروئید توسط روش پیشنهادی پژوهش، پیشگیری از ایجاد عوارض شدیدتر بیماری تیروئید در آینده را به دنبال خواهد شد.
معرفی سخنرانان: گردآورنده: محمدرضا ملک حسینی
استاد راهنما: دکتر علی صادقی
اساتید داور: دکتر ندا احرار-دکتر فرشته رضائی
اطلاعات تماس
- آدرس: قصردشت-کوچه ۷۴-موسسه اموزش عالی پیشتازان-اتاق کنفرانس
- ایمیل: info@pishtazan.ac.ir
- تلفن: 07136289203
- وبسایت: https://pishtazan.ac.ir/