پیش بینی سرطان سینه با استفاده از روش خوشه بندی انتشار وابستگی با در نظر گرفتن وزن متغیرها
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 438
This Paper With 13 Page And PDF 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:
JR_JEMSC-4-2_002
تاریخ نمایه سازی: 20 خرداد 1398
Abstract:
با استفاده از ابزارهای دادهکاوی در حوزهی تشخیص پزشکی محدودیتهایی همچون هزینههای بالای برخی از آزمایشات یا زمانبر بودن آنها مرتفع میگردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روشهای دستهبندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روشهای خوشهبندی و دستهبندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشهبندی انتشار وابستگی انجام میشود. این روش با استفاده از یک الگوریتم ابتکاری وزنهایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشههای موزون تشکیل میدهد. سپس شماره خوشهها به عنوان یک متغیر جدید به دادهها افزوده شده و در مرحلهی بعد، الگوریتم دستهبند بر روی مجموعه دادهی اصلاح شده حاوی دادههای اصلی و شمارهی خوشهها اجرا میگردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه مییابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشهبندی انتشار وابستگی با میانگین دقت 36/98 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکهی عصبی ترکیبی را نسبت به سایر روشها مورد تایید قرار داده است.
Keywords:
Authors
سینا دامی
استادیار، گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران،
زینب حاتم چوری
دانش آموخته کارشناسی ارشد، گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران،
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 :