افزایش میزان دقت طبقه بندی داده ها با استفاده از ترکیب طبقه بند درخت تصمیم و الگوریتم بهینه سازی شیر مورچه مورد مطالعه بیماران دارای هپاتیت C

تشخیص دقیق و به موقع بیماری های کبدی به ویژه هپاتیت C نقش حیاتی در بهبود روند درمان و کاهش عوارض آن دارد. در این پژوهش یک روش ترکیبی نوین مبتنی بر الگوریتم بهینه سازی شیر مورچه و طبقه بند درخت تصمیم برای انتخاب ویژگی های موثر و طبقه بندی بیماران هپاتیت C ارائه می شود. مجموعه داده مورد استفاده شامل ۱۵۵ نمونه و ۱۹ ویژگی از پایگاه داده استاندارد UCI است. در مرحله پیش پردازش داده ها نرمال سازی می شوند و مشکل نامتوازن بودن کلاس ها برطرف می شود. سپس الگوریتم ALO با هدف استخراج زیرمجموعه ای بهینه از ویژگی ها به کار گرفته می شود و در ادامه طبقه بندی توسط درخت تصمیم با تنظیم پارامترهای مناسب انجام می گیرد. عملکرد مدل پیشنهادی با معیارهایی همچون دقت (Accuracy)، حساسیت (Recall)، صحت (Score)، Precision و ضریب کاپا ارزیابی می شود و با روش های ماشین بردار پشتیبان، K-نزدیک ترین همسایه و جنگل تصادفی در ترکیب با الگوریتم شیر مورچه مقایسه می شوند. نتایج آزمایش ها نشان می دهد که رویکرد پیشنهادی علاوه بر بهبود دقت طبقه بندی از قابلیت تفسیرپذیری بالایی برخوردار است و نسبت به روش های مرسوم عملکرد برتری ارائه می کند. این یافته ها بیانگر پتانسیل استفاده از مدل پیشنهادی در سیستم های پشتیبان تصمیم گیری پزشکی برای تشخیص موثر و سریع هپاتیت C است.

Keywords:

داده کاوی , یادگیری ماشین , طبقه بندی , هپاتیت C , انتخاب ویژگی , الگوریتم بهینه سازی شیر مورچه , درخت تصمیم