بکارگیری داده های متوازن و نامتوازن در تشخیص اولیه بیماری پارکینسون با استفاده از الگوریتم های داده کـاوی

امروزه با توجه به افزایش نرخ بیماری پارکینسون در جامعه، مطالعات به سمت تشخیص به موقع این بیماری رفته است. این بیماری باعث می گردد ترشح دوپامین در مغز با مشکل رو به رو شده و از ان جایی که وظیفه دوپامین تسهیل و تنظیم حرکات بدن است بدن با مشکلات حرکتی و کندی مواجه می شود، همچنین بیماری پارکینسون دارای تشخیص پزشکی بسیار مشکل و هزینه بر است و دانشمندان در تلاش هستند یک راه حل برای تشخیص زود هنگام این بیماری بیابند. تشخیص زود هنگام این بیماری و یافتن یک روش تشخیص صحیح و موثر و همچنین عوامل خطر در بروز این بیماری، بسیار با اهمیت است. روشهای ترکیبی و ترکیب طبقه بندها به این صورت است که مجموعه ای از طبقه بندها را با داده های آموزشی ایجاد کرده و میزان صحت را با انجام عملیات رای گیری بر روی نتایج آنها بدست می آورند. از طرفی با وجود داده های نامتوازن و یادگیری در مجموعه داده های نامتوازن جایی که نمونه های طبقه اکثریت خیلی بیشتر از بقیه است، چالش مهمی در یادگیری ماشین است زیرا الگورتیم های قدیمی یادگیری ماشین، ممکن است به سمت طبقه اکثریت متمایل شوند و این مسئله صحت پیشبینی 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 تصادفی وEasyEnsemble و ModifiedBagging ، برای نمونه برداری مجموعه آموزش استفاده شد و سپس نتایج را با معیارهای Recall و Precision و معیار F و معیار G ارزیابی نموده تا توان پیش بینی طبقه بندها در مقابل داده های نامتوازن افزایش پیدا کند. در این مقاله روشی را بر مبنای استخراج ویژگی بر مبنای طبقه بند ترکیبی شد تا داده های آموزش را برای طبقهبند پایه ایجاد شود.

Keywords:

ماشین بردار پشتیبان , بیماری پارکینسون , طبقه بندی , طبقه بند ترکیبی , داده های متوازن و نامتوازن