پیش بینی بیماری قلبی با استفاده از سه تکنیک داده کاوی
Publish place: International Conference on Accounting and Management
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 821
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
MOCONF01_0834
Index date: 20 November 2015
پیش بینی بیماری قلبی با استفاده از سه تکنیک داده کاوی abstract
تصمیم گیری جوهره مدیریت است با توجه به اینکه تصمیمگیری بدون وجود اطلاعات و برقراری ارتباطات لازم میسر نیست، پایه اجرایی چنین وظیفه ای فراهم آوردن اطلاعات لازم برای مدیریت است. به دلیل اهمیت شیوه های تصمیم گیری مدیران بیمارستان ها در پیشبرد اهداف بیمارستان و اهمیت قدرت پیش بینی آنان در حل مشکلات درمانی بیراران، این مطالعه باهدف استفاده مدیران بیمارستان ها از نتایج حاصل از داده کاوی سیستم های اطلاعات بیمارستان HIS جهت پیش بینی دقیق تر و تصمیم گیری بهتر و مؤثرتر برای درمان بیماران صورت گرفته است. داده های مورد استفاده در این مطالعه، مربوط به اطلاعات 280 بیمار است که از انبار داده سایت UCI استخراج شده وشامل 14 متغیر می باشد. از سه مدل رگرسیون لجستیک، درخت تصمیم با ساختار کارت و شبکه عصبی که از جمله پرکاربردترین ابزارهای کلاس بندی در داده کاوی هستند، برای پیش بینی مبتلا بودن به بیماری قلبی استفاده شده و دقت پیش بینی مدل ها مورد مقایسه قرار گرفته است. بر اساس نتایج مشاهده میشود که مد شبکه عصبی با ساختار پرسپترون چنرد لایره دارای بیشترین دقت بوده و با دقتی برابر با 83.33% عمل کلاسبندی را برای مجموعه مشاهدات آزمون انجام داده است.
پیش بینی بیماری قلبی با استفاده از سه تکنیک داده کاوی Keywords:
پیش بینی بیماری قلبی با استفاده از سه تکنیک داده کاوی authors
مریم کاظمی
گروه مدیریت، پردیس علوم و تحقیقات ایلام، دانشگاه آزاد اسلامی ایلام، ایران
حسین مهدی زاده
استادیار دانشگاه ایلام
اردشیر شیری
استادیار دانشگاه ایلام
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 :