افزایش دقت در تشخیص بیماری دیابت مبتنی بر انتخاب ویژگی های موثر با رویکرد توسعه ی ماشین بردار پشتیبان
Publish place: The First National Conference on Modern and Smart Business Data Mining and Image Processing
Publish Year: 1397
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 599
This Paper With 16 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:
IDMEC01_002
تاریخ نمایه سازی: 29 بهمن 1398
Abstract:
تعداد زیاد پارامترها، پیش بینی بیماری راحتی برای متخصصین دشوار می کند. از اینرو اخیرا ابزار تشخیص کامپیوتری با هدف کمک به پزشک، مورد استفاده قرار می گیرد. این امر باعث کاهش خطاهای ناشی از خستگی یا بی تجربگی متخصصین شده و داده های پزشکی مورد نیاز، طی مدت زمان کمتر و با دقت بیشتر در اختیار پزشک قرار گیرد. تفسیر داده های دیابتی یک مشکل مهم در طبقه بندی است. برای دیدن دقت پیش بینی در طبقه بندی داده های دیابتی، روش های یادگیری ماشین مختلفی بکار برده می شود که از جمله آنها میتوان به ماشین بردار پشتیبان یا SVM اشاره کرد. با توجه به موفقیت نسخه های توسعه یافته SVM در کاربردهای یادگیری ماشین، داین پژوهش فرضیه موثر بودن آنها در تشخیص بیماری دیابت مطرح شد و از آنجاییکه ویژگی های دادگان آموزشی تاثیر فراوانی روی این پژوهش فرضیه موثر بودن آنها در تشخیص بیماری دیابت مطرح شد و از آنجاییکه ویژگی های دادگان آموزشی تاثیر فراوانی روی الگوریتم PCC که نسخه ای توسعه یافته از SVM است صورت گرفته است. داده های استفاده شده در این پژوهش مجموعه داده های PIMA می باشد. این مجموعه داده با استفاده از نرم افزار MATLAB مورد ارزیابی قرار گرفته است. ارزیابی روش پیشنهادی نشان دهنده صحت 78.65 است که در مقایسه با دیگر پژوهش ها دقت بالاتری را نشان می دهد
Keywords:
Authors
صبا بیرانوند
مدرس دانشگاه فنی و حرفه ای لرستان، دانشکده فنی پسران خرم آباد
مریم خسروی
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد خرم آباد
محسن خسروی
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد خرم آباد