یک رویکرد هوش محاسباتی برای تشخیص بهتر بیماران مبتلا به دیابت

یک رویکرد هوش محاسباتی برای تشخیص بهتر بیماران مبتلا به دیابت

A computational intelligence approach for a better diagnosis of diabetic patients

مقاله انگلیسی ۸ صفحه PDF ترجمه فارسی ۱۶ صفحه WORD

چکیده:

کشف داشن به شناسایی الگوهای پنهان و معتبر در داده ها اشاره دارد و این می تواند برای ساخت سیستم های استنتاج دانش، استفاده می شود. درخت تصمیم یکی از روش های موفقیت آمیز برای یادگیری تحت نظارت و استخراج دانش و یا قواعد می باشد. این مقاله به توسعه یک مدل به توسعه یک مدل درخت تصمیم برای پیش بینی وقوع بیماری دیابت کمک می کند. الگوریتم های درخت تصمیم سنتی، یک مشکل با مرزهای قطعی دارد. بسیاری از قواعد تصمیم بهتر می تواند از این مجموعه داده بالینی با استفاده از مرزهای تصمیم گیری فازی شناخته شود. گام کلیدی در ساخت یک درخت تصمیم، شناسایی نقاط تصمیم است و در این کار بهترین نقاط تصمیم گیری با استفاده از شاخص جینی، شناخته می شود. نویسندگان یک روش برای به حداقل رساندن محاسبه شاخص های جینی با شناسایی نقاط تقسیم نادرست، ارائه کردند و تابع فازی گاوسی را مورد استفاده قرار دادند زیرا مجموعه داده های بالینی، قطعی نمی باشد. مانند بهره وری درخت تصمیم که وابسته به بسیاری از عوامل مانند تعدادی از گره ها و طول درخت می باشد، هرس درخت تصمیم، یک نقش کلیدی را ایفا می کند. الگوریتم درخت تصمیم فازی گاوسی شاخص جینی اصلاح شده، پیشنهاد شده است و با مجموعه داده بالینی دیابت سرخپوستان پیما برای دقت، مورد آزمون قرار می گیرد. این الگوریتم، سایر الگوریتم های درخت تصمیم را بهتر انجام می دهد.

Abstract:

Knowledge discovery refers to identifying hidden and valid patterns in data and it can be used to build knowledge inference systems. Decision tree is one such successful technique for supervised learning and extracting knowledge or rules. This paper aims at developing a decision tree model to predict the occurrence of diabetes disease. Traditional decision tree algorithms have a problem with crisp boundaries. Much better decision rules can be identified from these clinical data sets with the use of the fuzzy decision boundaries. The key step in the construction of a decision tree is the identification of split points and in this work best split points are identified using the Gini index. Authors propose a method to minimize the calculation of Gini indices by identifying false split points and used the Gaussian fuzzy function because the clinical data sets are not crisp. As the efficiency of the decision tree depends on many factors such as number of nodes and the length of the tree, pruning of decision tree plays a key role. The modified Gini index-Gaussian fuzzy decision tree algorithm is proposed and is tested with Pima Indian Diabetes (PID) clinical data set for accuracy. This algorithm outperforms other decision tree algorithms.

.

.

110,000 ریال – خرید

.

.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *