مقایسه عملکرد مدل ماشین بردارپشتیبان با مدل های رده بندی دیگر در داده های نامتعادل

رده بندی یکی از روش های پرکاربرد تحلیل داده است که در آن با استفاده از کشف الگوی میان متغیرهای پیشگو و متغیر پاسخ، به پیشبینی رده پاسخ در مشاهدات جدید پرداخته میشود. متغیر پاسخ نامتعادل اغلب سبب کاهش عملکرد مدل رده بندی میشود به طوری که ردهبندی داده های نامتعادل یکی از چالشهای مهم مدلسازی محسوب میگردد. هدف از این تحقیق مقایسه عملکرد مدل ماشین بردارپشتیبان با مدلهای رده بندی دیگر در داده های نامتعادل و یافتن بهترین مدل رده بندی برای تشخیص درجه تومور گلیوما بر اساس یافته های MRI و همچنین بررسی تاثیر هریک از یافته های MRIبر درجه تومور است.مواد و روشها: در این مطالعه توصیفی تحلیلی، از اطلاعات MRI و پاتولوژی همه بیماران 96) نفر) دارای تومور مغزی گلیوما که طی سالهای 85 تا 91 به بخش استریوتاکسی بیمارستان شهدای تجریش مراجعه کردهاند، استفاده شده است. برای تحلیل داده ها،مدلهای ردهبندی ماشین بردار پشتیبان، شبکه عصبی، جنگل تصادفی و رگرسیون لوژستیک به کار رفتهاند. اجرای مدلهادر نرمافزار Wekaنسخه 3.7 انجام شده است.یافته ها: مدل ماشین بردار پشتیبان با حساسیت 86 درصد، بیشترین حساسیت را در مدلهای تحقیق داراست. در شاخص ویژگی مدلهای تحقیق تفاوت زیاد نیست و بیشترین ویژگی مربوط به مدل شبکه عصبی و جنگل تصادفی است که مقدار آن 89 درصد است. نرخ رده بندی متعادل در مدل ماشین بردار پشتیبان 86/5 درصد و از سایر مدلهای تحقیق بیشتر است. مدلهای جنگل تصادفی و شبکه عصبی از نظر عملکرد در رده بندی درجه تومور، رتبه های دوم و سوم را دارا هستند. مدل رگرسیون لوژستیک نیز پایینترین نرخ ردهبندی متعادل را دارد.داشتن سردرد، گسترش تومور در نخاع، ظاهر هموژن، ظاهر شبه کیست، سیگنال ایزو درT1 و T2، ارتباط مثبتی با درجه تومور پایین و درگیری پونز، گسترش تومور در تالاموس، ظاهر با حدود مشخص، ظاهر نکروزی، سیگنال هایپر درT2 و انهانسمنت هتروژن ارتباط مثبتی با تومور درجه بالا دارند.نتیجه گیری: از میان مدل های تحقیق، مدل ماشین بردار پشتیبان بهترین عملکرد را در رده بندی داده های تحقیق داشته است

Keywords:

رده بندی , مدل ماشین بردار پشتیبان , داده های نامتعادل , گلیوم ساقه مغز , MRI , درجه تومور