پیش بینی بیماری دیابت با استفاده از شبکه های عصبی، مدل آماری رگرسیون لجستیک و ترکیب آنها
Publish place: کنفرانس بین المللی مهندسی کامپیوتر و فناوری اطلاعات
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 901
This Paper With 19 Page And PDF and WORD 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:
شناسه ملی سند علمی:
CITCOMP01_293
تاریخ نمایه سازی: 16 شهریور 1395
Abstract:
دیابت یکی از بیماری های شایع جهان است که تاکنون راه درمان قطعی برای آن یافت نگردیده است. در کشور ما سالانه هزینه های بسیار زیادی جهت مراقبت و ناتوانی های ناشی از بیماری دیابت صرف می شود، از آنجایی که پیش بینی مقدم بر درمان است، لذا پیش بینی دقیق تر وضعیت بیماران از اهمیت زیادی برخوردار است و برای آنکه پیش بینی های انجام شده از دقت و اعتبار بالایی برخوردار باشد، باید از روش های دقیق و مطمئنی استفاده گردد.یکی از این روش ها استفاده از سیستم های هوش مصنوعی و به صورت خاص، استفاده از شبکه های عصبی می باشد. با توجه به اینکه مدل های آماری مانند مدل آماری رگرسیون لجستیک نیز از دقت بالایی برخوردار است، لذا در این مقاله سعی شده است با ترکیب این مدل آماری و شبکه های عصبی یک روش ترکیب جدید که دارای حداقل خطا و حداکثر اطمینان باشد به وجود آید و مورد تجزیه و تحلیل قرار گیرد. با ایجاد مدل پیشنهادی فوق و انجام آزمایشات مختلف و مقایسه نتایج عددی بدست آمده، دقت و کارایی این روش پیشنهادی مورد بررسی قرار گرفته و نتایج مورد قبولی نسبت به روش های شبکه عصبی و رگرسیون لجستیک بدست آمده است. که در این مقاله معیار کارایی به حداقل رساندن خطای عملکرد آموزش در شبکه عصبی با استفاده از مدل ترکیبی شبکه عصبی می باشد که در نهایت به این نتیجه رسیدیم که خطای عملکرد شبکه عصبی برابر 0.1 و مدل ترکیبی شبکه عصبی برابر0.0002 می باشد.
Keywords:
Authors
پرستو رحیم لو
کارشناس ارشد ریاضی کاربردی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد ارومیه،ایران
احمد جعفریان
استادیار گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد ارومیه،ایران
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 :