بررسی روش های طبقه بندی داده های نامتوازن پزشکی در حوزه بهداشت و درمان

چکیده مقاله

کشف دانش در پایگاه داده KDD با توجه به توسعه ی روش ها و تکنیک های استفاده از داده ها با نگرانی هایی روبه روست دادهکاوی، یکی از مهمترین گام ها در فرآیند کشف و استخراج الگوها و دانشاز حجم عظیم و نامفهومی از داده هاست کاربرد داده کاوی در حوزه ی بهداشت و درمان، باعث پدیدار شدن سیستم های تصمیم گیری اولیه و دیگر سیستم های متنوع مرتبط بابهداشت و درمان شده است که بر پایهی داده های تشخیصی و بالینی عمل می کنند با توجه به اهمیت این حوزه و با هدف ارتقایدانش مربوط به تحقیقات داده کاوی در این حوزه، تحقیق جاری مقالات متعددی را از نظر روشهایی که جهت استخراج دانش بهکارگرفته اند، الگوریتم ها و نتایج بدست آمده مورد بررسی قرار داده است این بررسی سعی دارد تا براساس نتایج حاصله در اینپژوهش ها و بر اساس معیارهای عملکردی مشخصدسته بندی مناسبی از الگوریتم های طبقه بندی ارایه دهد که میتواند در خطسیر پژوهش ها، فرآیند تصمیم گیری و اتخاذ بهترین رویکرد، محققین این حوزه را یاری دهد دقت و سرعت اجرای الگوریتم،توزیع داده ها و اندازه ی مجموعه داده های آموزشی، معیارهای اصلی در سنجش کارایی و اثربخشی الگوریتم ها و مقایسه ی آنهابا یکدیگر هستند نتایج بدست آمده حاکی از این است که الگوریتم های آماری بهترین اثربخشی را در دسته بندی داده هاینامتوازن پزشکی داشته اند در حالیکه الگوریتم های مبتنی بر درخت تصمیم در این زمینه خیلی کارآمد نیستند

کلیدواژه‌ها

نویسندگان

سیدمحمد جوادی مقدم

عضو هیات علمی گروه کامپیوتر، دانشگاه بزرگمهر قاینات، قاین، ایران

فاطمه روستا

دانشجوی PH D مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد بیرجند، بیرجند، ایران

�وادی مقدم، سیدمحمد و روستا، فاطمه،1397،بررسی روش های طبقه بندی داده های نامتوازن پزشکی در حوزه بهداشت و درمان،دومین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی،اهواز

ارائه‌شده در

مجموعه مقالات سومین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی16 بهمن 1398 · اهواز