لیلا خلیلی زاده - دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد ساری، ساری، ایران
ابراهیم اکبری - دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ساری، ساری، ایران

ازآن جا که داده های پزشکی ویژگی های زیادی و نمونه های کمی را به همراه دارند سبب هزینه های بالای نمونه برداری آزمایشاترا به دنبال داشته است و با پیدایش داده های ابعاد زیاد و به علت پراکندگی و نویز داده ها نیاز به کاهش بعد در این راستا را داریم.علم پزشکی با بکارگیری الگوریتم های دسته بندی می تواند تشخیص دهد که یک شخص مورد نظر با شرایط خاص ممکن استچه بیماری هایی داشته باشد. در این مقاله، روشی را ارایه می دهیم که می تواند به طور موثری ویژگی های زیاد از یک داده با نمونههای کوچک را کاهش داد در این تحقیق از روش ترانهاده، برای کاهش ابعاد و برای داده های بزرگ پزشکی ذخیره شده استفادهمی شود که ویژگی ها را با استفاده از یک الگوریتم خوشه بندی به k خوشه تقسیم کرده و سپس k ویژگی را انتخاب می کنیم.نظر به این که بسیاری از الگوریتم های کلاس بندی های پایه موجود بر روی بعضی از داده ها ضعیف عمل می کنند می توان باترکیب مناسب کلاسه بندها نتایج کلاسه بندی بهتری نسبت به هر کلاسه بند و حتی بهترین آن ها را تولید کند در این پژوهش ازپنج الگوریتم کلاس بندی معروف بنام کا-نزدیکترین همسایه، بیزین ساده، درخت تصمیم، ماشین بردار پشتیبان و جنگل تصادفیهمچنین روش ترکیبی رای اکثریت بکار برده شده است و کفایت روش ترانهاده بر روی ترکیب کلاسه بندها با استفاده از سهمجموعه داده ریزآرایه اثبات شده است.

ترانهاده، ریزآرایه، کاهش بعد، کلاس بندی ترکیبی