عرفان زیاد - دانشجوی کارشناسی، دانشکده مهندسی صنایع، دانشگاه صنعتی شریف
عرفان حسن نایبی - استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی شریف

مشکلات حوزه سلامت یکی از جدی ترین چالش های پیش روی دولت هاست؛ زیرا هر ساله منجر به تلفات عظیم، مرگ وخسارات اقتصادی قابل توجهی می شود. سازمان های فعال در این حوزه باید مدل های قابل اتکایی را برای پیش بینیبیماری ها ایجاد کنند. شناختن عوامل موثر و اثرات ناشی از بیماری ها یک چالش اساسی برای بهبود نظام سلامت و رفاهیک جامعه است. در نتیجه، با وجود تعداد زیادی از تحقیقات مرتبط، توسعه مدل هایی با قابلیت پیش بینی سریع و قابلاعتماد، همچنان یک موضوع تحقیقاتی مهم و پرتقاضا است. در این مطالعه، از الگوریتم های یادگیری ماشینی تحت نظارتشامل روش های طبقه بندی مختلف از جمله روش های درخت تصمیم ، رگرسیون لجستیک و GBC برای پیش بینیوجود یا عدم وجود سندروم متابولیک در بیماران استفاده شده است. در ابتدا یک پایگاهداده مناسب برای پیش بینیسندروم متابولیک بر اساس عوامل ریسک رایج آن انتخاب گردید. پس از بررسی منبع داده و تشریح ویژگی های آن، بهاقدامات لازم جهت پیش پردازش و آماده سازی آن پرداخته شده است. نتایج پیاده سازی الگورتیم ها و ارزیابی مدل ها دراین تحقیق نشان می دهد که الگوریتم GBC با شاخص دقت حدود ۹۰.۶۶ درصد عملکرد به مراتب بهتری نسبت به سایرروش های طبقه بندی دارد.

یادگیری ماشین، داده کاوی، سندروم متابولیک، الگوریتم های طبقه بندی