مدل تشخیص حمله قلبی با الگوریتم های تجمعی

رشد چشمگیر بیماری قلبی و اثرات و عوارض آنها و هزینه هایی آن باعث شده است، که جامعه پزشکیبه دنبال برنامه هایی جهت بررسی بیشتر، پیشگیری، شناسایی زودهنگام و درمان موثر آن باشند. هدفپژوهش ایجاد استخراج الگوهای بیماری با استفاده از تکنیک های دسته بندی ترکیبی داده کاوی رویمجموعه داده داخلی بیماران با خطر سکته قلبی است که دارای ۴۵۱ نمونه و ۱۳ ویژگی می باشد. ازطرفی انتخاب ویژگی و بررسی شاخص های تاثیرگذار در طراحی دسته بند و افزایش دقت آن از اهمیتبالایی برخوردار است. لذا ویژگی های تاثیرگذار روش شاخص وزن دار جینی بررسی شده است. در فازدسته بندی، تکنیک پایه مانند درخت تصمیم و شبکه عصبی و انواع تکنیک های تجمعی گرادیان بوستینگ،جنگل تصادفی را اعمال کرده و با دقت ۹۵.۳۳% ، دقت کلاس بیماری ۹۹.۷۷% و دقت کلاس سالم بودن تا۹۴.۷۴% دقت خوبی ارائه و نتایج شبکه عصبی را بهبود داد. پژوهش فعلی لزوم استفاده از روش هایتجمعی و انتخاب فاکتورهای تاثیرگذار را جهت افزایش دقت ها در سیستم تشخیص حمله قلبی اثبات کرد.همچنین با گزارش قوانین مفید درختی لزوم استفاده از روش های داده کاوی در استخراج دانش اثبات شد.