محسن قربیان - دانش آموخته کارشناسی ارشد مهندسی کامپیوتر، گروه علوم کامپیوتر، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران

با توجه به گستردگی تکنیک های داده کاوی تعریف شده و لزوم انتخاب تکنیک های کارامد به منظور دستیابی به نتایج با دقت بالا و قابلیت اطمینان مناسب، پژوهشگران تصمیم گرفتند تا با ارزیابی تکنیک های مختلف و مقایسه نتایج حاصل از پیاده سازی آن ها بر روی داد های مشابه، تکنیکی را که دارای عملکرد مطلوب تری است را معرفی نمایند. مقایسه تکنیک های داده کاوی با استفاده از معیار های تعریف شده خاصی صورت می پذیرد. در هنگام کار با اطلاعات بیماران وجود اطلاعات ناقص و همچنین پراکندگی و گستردگی اطلاعات ثبت شده به عنوان مشکلی اساسی در راه تجزیه و تحلیل این نوع از داده ها بحساب می آید. در این تحقیق سعی شده است تا نوع بافتی که در بیماران مبتلا به سرطان استخوان ، مغز استخوان، ریه و گردن بیشتر مورد حمله قرار می گیرد و آلوده می شود را تخمین بزنیم. با پیاده سازی دو تکنیک داده کاوی K همسایه نزدیک و درخت تصمیم بر روی داده های مربوط به بیماران مبتلا به این چهار نوع سرطان سعی شده است تا عملکرد این دو تکنیک را بر اساس سه معیار صحت، نسبت خطا و پیش بینی مقادیر منفی و با انتخاب فاصله اطمینان 80 درصد و مقدار پشتیبان 50 درصد مورد ارزیابی قرار دهیم و تکنیکی را که دارای عملکرد مطلوب تری است را معرفی کنیم . با پیاده سازی تکنیک های داده کاوی و ارزیابی های صورت گرفته بر روی عملکرد این دو تکنیک به این نتیجه رسیدیم که تکنیک درخت تصمیم گیری با صحت 83/94 نسبت خطا نسبت خطا 13/80 و پیش بینی مقادیر منفی 75/85 عملکرد بهتری داشته است. با توجه به نتایج بدست آمده می توان بیان داشت که دو بافت epidermoid adeno نمی توانند تاثیر مثبتی در پیش بینی و تخمین هر یک از چهار نوع سرطان استخوان ، مغز استخوان، ریه و گردن داشته باشد. به عبارت دیگر آلوده شدن هر یک از دو بافت epidermoid و adeno نمی تواند دلیلی بر بروز چهار نوع سرطان استخوان ، مغز استخوان، ریه و گردن باشد

لاتین Kهمسایه نزدیک، درخت تصمیم، داده کاوی، سرطان، تومور