مقایسه تکنیکهای پیشبینیداده کاوی در تشخیصسرطان سینه

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 588

This Paper With 6 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ELECOM01_068

تاریخ نمایه سازی: 9 تیر 1393

Abstract:

تشخیص بیماری یکی از موارد مهم در علم پزشکی می باشد و یکی از کاربرد های مهم داده کاوی،مربوط به تشخیص بیماری ها در علم پزشکی می باشد.در این مقاله با استفاده از الگوریتم های پیشبینی داده کاوی همچون C5.0،CART وشبکه عصبی جمعی به مساله تشخیصو پیشبینی سرطان سینه می پردازیم.مجموعه داده مورد استفاده دارای 699 رکورد مربوط به بانک اطلاعاتی بیماران سرطان سینه موجود در انبارداده ی یادگیری ماشین دانشگاه ایروین،کالیفرنیا آمریکا است و شامل ریسکفاکتورهای ضخامت انبوه، یکنواختی اندازه سلول، یکنواختی شکل سلول، چسبندگی لبه ها، حجم سلول بافت اپیتلیال، هسته های عریان، کروماتین بلاند، هسته عادی و تقسیم هسته سلول به دوقسمت می باشد.. مدلهای تولید شده در این تحقیق با استفاده از آنالیز منحنی Roc مقایسه و با نرم افزارهای داده کاوی RapidMiner نسخه 5.5 و و کلمنتاین 12.0 مورد یررسی و مقایسه قرار دادیم که بهترین مدل در شبکه عصبی جمعی و با سطح زیر منحنی 961% انتخاب گردید. مدل نهایی دارای دقت 96/67% است.

Keywords:

بیماری سرطان سینه , شبکه های عصبی , شبکه عصبی جمعی BreastCancer , RapidMiner

Authors

میثم قاسم پور

دانشجوی کارشناسی ارشد کامپیوتر، دانشگاه آزاد اسلامی واحد یزد

علی محمد لطیف

استادیار، دانشگاه یزد

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • D. E. Rumelhart, G. E. Hinton, and R. J. Williams, ...
  • Bootstrap برای مدلسازی با شبکه های عصبی در تحقیق حاضر ...
  • http ://www. bc action _ org/Pag e S /GetIn formed/Top ...
  • Media Centre for World Health Organization. Fact sheet No. 297: ...
  • Zhaohui L, Xiaoming W, Shengwen G, Binggang Y. Diagnosis of ...
  • Litigate J. Predictive models for breast cancer susceptibility from multiple ...
  • Anderson WF, Pfeiffer RM, Dores GM, Sherman ME. Comparison of ...
  • Mangasarian O, Nick Street W, Wolberg W.Breast cancer diagnosis and ...
  • American College of Radiology (ACR) Breast Imaging Reporting and Data ...
  • Lawrence D Handbook of genetic algorithms, 1991; Chapman and Hall, ...
  • http ://archive.ics _ uci _ edu/ml/datas ets.html ...
  • B. Widrow and R. Winter, "Neural nets for adaptive filtering ...
  • S. Kirkpatrick, C. D. Gelatt, Jr. and M. P. Vecchi, ...
  • T. Schneider and E. Stoll, "Molecular- dynamics study of a ...
  • M.tari, b.minaei, Prediction of Students' Educational Status Using CART Algorithm, ...
  • E. Alpaydin, " Introduction to Machine Learning", The MIT Pres ...
  • Quinlan, J. R. "C5.0: Programs for machine learning". Morgan Kaufman ...
  • Fawcett T. (2006) _ introduction to ROC analysis'. Pattern Recognition ...
  • نمایش کامل مراجع