تشخیص بیماری های مزمن کلیه با استفاده از ترکیب الگوریتم فازی خشن کسری بهبود یافته ،k-MENS خوشه بندی و بهینه سازی ازدحام موش ها و مروری بر روش های استفاده شده در تشخیص بیماریهای مزمن کلیوی

در این مقاله، پیش بینی و طبقه بندی بیماری مزمن کلیوی مبتنی بر داده های بزرگ Hadoop با استفاده از خوشه بندی K-means فازی خشن کسری (IF-RFKM) و XG تقویت کننده ازدحام موش ها پیشنهاد شده است. در اینجا، روش خوشه بندی IF-RFKM در نظر گرفته شده است برای پیش بینی بیماری این بیماری با استفاده از طبقه بندی تقویت کننده XG طبقه بندی می شود طبقه بندی مراحل بیماری های مزمن کلیوی به عنوان طبیعی و غیر طبیعی الگوریتم بهینه سازی ازدحام موش (RSO) برای بهینه سازی پارامترهای پیشنهاد شده است طبقه بندی XGboost در ابتدا، داده ها به طور تصادفی از مجموعه داده های CKD تولید می شوندشبیه سازی به زبان python انجام شده است. از شبیه سازی، روش پیشنهادی به دقت بالاتر ۹۹.۵۷%، ۹۸.۲۸% و ۹۷.۳۵%، فراخوان بالاتر ۹۸.۲۳%، ۸۸.۳۴% می رسد همچنین ۷۸.۹۶٪ و زمان اجرای کمتر ۹۲.۱۵٪، ۹۰.۲۵٪ و ۹۲.۴۸٪ در مقایسه با روش های همانند تشخیص بیماری مزمن کلیوی و طبقه بندی با حذف ویژگی های بازگشتی با استفاده از درخت تصمیم موجود بدست آمده است.روش استفاده شده طبقه بندی و خوشه بندی بیماری با استفاده از رگرسیون لجستیک (CCKD-LR) و طبقه بندی بیماری مزمن کلیه با استفاده از دستگاه ناقل پشتیبانی چند هسته ای با (CCKD-MKC-SVM) بکار برده شده است.