ارائه مدل Ensemble Clasifier مبتنی بر الگوریتم های ماشین بردار پشتیبان ،درخت تصمیم و جنگل تصادفی برای تشخیص پاندمی

پاندمی یک بیماری به معنای افزایش گسترش یک بیماری در سطح کل یک کشور یا دنیا است. همانطوری که انسان ها در اقصی نقاط جهان پراکنده شده اند، بیماری های عفونی نیز در نقاط مختلفی از جهان پخش می شوند. حتی در این دوران مدرن، شیوع و فراگیری بیماری ها به صورت دائمی رخ می دهد. البته همه شیوع ها، همانند کوید ۱۹ به پاندمی تبدیل نمی شوند.بیماری های واگیردار یا فراگیر ،یک نوع از بیماری ویروسی حاد و بسیار مسری هستند که گاهی به سرعت در بین تعداد زیادی از افراد شیوع پیدا کرده و باعث مرگ و میر بالای افراد شده اند. در حال حاضر در جهان ، بیماری کووید ۱۹،جزو مهمترین و برجسته ترین بیماری های واگیردار می باشد.این بیماری در دسامبر ۲۰۱۹ کشف شد. گزارش شده است که در مدت حدود یک سال بیش از ۸۵ میلیون نفر در سراسر جهان مبتلا به این بیماری شدند که در حدود ۱/۸ میلیون نفر از این افراد فوت کرده اند. به نظر می رسد پتانسیل رشد این ویروس در جهان به یک بیماری فراگیر و تهدیدی جدی برای سلامت جامعه تبدیل شده است. از این رو ارائه روش هایی که بتواند به مطالعه و بررسی بهتر این بیماری کمک کند، ضروری به نظر می رسد که در این تحقیق به کلاس بندی ترکیبی این بیماری پرداخته شده است. امید است با ارائه روش پیشنهادی، نتایج بهتری در تشخیص بیماری کووید ۱۹ کسب شود. در روش پیشنهادی از ترکیب ۳ الگوریتم کلاس بندی برای ایجاد یک سیستم کلاسبندی ترکیبی استفاده شده است. الگوریتم های مورد استفاده شامل ماشین بردار پشتیبان، درخت تصمیم و جنگل تصادفی است. از داده های جمع آوری شده به عنوان داده های آموزشی و برای تست کلاس بندی ترکیبی استفاده می شود. به ازای فرایند آموزش هر یک از الگوریتم ها، میزان خطا و دقت کلاس بندی محاسبه می شود و در نهایت میزان خطا و دقت کلاس بندی ترکیبی نیز محاسبه خواهد شد. به منظور ارزیابی روش پیشنهادی چند شبیه سازی صورت گرفت و نتایج نشان دادند که میزان دقت کلاسبندی ترکیبی در روش پیشنهادی بهبود یافته است که منجر به افزایش کیفیت جواب در فرایند تشخیص پاندمی در مقایسه با سایر روش ها می شود.