استفاده از نکنیک های داده کاوی برای پیش بینی بیماری کرونر قلبی در مردان با مقایسه عملکرد الگوریتم های C5.0, KNNوSVM
Publish place: The Second National Conference on Applied Research in Computer Science and Information Technology
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 841
This Paper With 6 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:
CITCONF02_015
Index date: 8 May 2016
استفاده از نکنیک های داده کاوی برای پیش بینی بیماری کرونر قلبی در مردان با مقایسه عملکرد الگوریتم های C5.0, KNNوSVM abstract
بیماری قلبی را می توان یکی از پر خطر در این بیماری ها در سرتاسر دنیا به حساب آورد. یکی از انواع مهم آن بیماری کرونر پلیدی است. جنسیت یکی از عوامل تأثیرگذار در بیماری کرونر قلبی می باشد. به دلیل اهمیت بالای این بیماری در این مقاله به بررسی بیماری عروق کرونر در مردان با به کارگیری تکنیک های مختلف داده کاوی پرداخت می شود. در این راستا داده های informatykaplus.edu که شامل 209 فکر کرد با هشت ویژگی که همه آن ها مختص مردان می باشد بکار گرفته شده است. در این مقاله هدف Exercise_Angina در نظر گرفته شد. پس از مقایسه الگوریتم ها، الگوریتم C5.0 با داشتن 89.952 در صد بهترین عملکرد را در شناسایی بیماران کرونر قلبی در مردان به خود اختصاص داد. همچنین ویژگی های Rest_Electro Rest_Bpress &Chest_ Pain &Max_Heart_Rate به تدریج تأثیرگذارترین ویژگی ها در این بیماری به دست آمدند.
استفاده از نکنیک های داده کاوی برای پیش بینی بیماری کرونر قلبی در مردان با مقایسه عملکرد الگوریتم های C5.0, KNNوSVM Keywords:
استفاده از نکنیک های داده کاوی برای پیش بینی بیماری کرونر قلبی در مردان با مقایسه عملکرد الگوریتم های C5.0, KNNوSVM authors
مولود آبدار
دانشجو،دانشکده فنی و مهندسی ،مهندسی کامپیوتر دانشگاه دامغان
سیده ملیحه خاتمی
هیئت علمی گروه کامپیوتر،دانشکده فنی و مهندسی ،مهندسی کامپیوتر دانشگاه دامغان
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 :