استفاده ازالگوریتم درخت تصمیم برای تشخیص بیماری سرطان ریه

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,230

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCAEE02_085

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

تجزیه و تحلیل داده ها و داده های بزرگ امروزه در پژوهش های صنعتی، تحقیقات دانشگاهی، صنعت و غیره بسیار مورد استفاده قرارمی گیرد که استفاده از تکنیک های داده کاوی، کاوش برروی داده و شناخت داده ها را برای ما بسیار آسان کرده است. آنچه همواره برایمحققان عرصه دادهکاوی حایز اهمیت بوده ایجاد روش هایی جهت استخراج دانش از مجموعه دادهای بیماری ها برای به دست آوردناطلاعات و ابزار نوین می باشد. سرطان ریه از جمله سرطان های شایع است که دیر آگاهی از آن سبب فوت می شود و اگر بتوان بقای اینسرطان را پیش بینی کرد، می توان جان افراد زیادی را نجات داد. هدف از این تحقیق کشف ارتباطات و الگوها با استفاده از داده های بالینیدر داده کاوی هست که می تواند در پیش بینی بقای بیماران مبتلا به سرطان ریه مورد استفاده قرار گیرد. این تحقیق از داده های پزشکی کهدر ارتباط با این بیماری توسط سایت SEER طی سالها جمع آوری شده است، استفاده می کند. ویژگی ها با استفاده از سه الگوریتم داده کاوی درخت تصمیم، نایو بیز و k نزدیکترین همسایه مورد بررسی قرار می گیرند و میزان تاثیر هر ویژگی در پیش آگهی بقای بیمارانسرطان ریه مورد مطالعه قرار می گیرد. لذا در این تحقیق با استفاده از تکنیک های مختلف طبقه بندی در داده کاوی سعی بر این داریم کهبهترین دقت و پیش بینی را در بیماریهای سرطانی داشته باشیم. نتایج آزمایش ها نشان می دهد بالاترین دقت مربوط به الگوریتم درختتصمیم می باشد.

کلیدواژه ها:

نویسندگان

نجمه هادیان

دانشکده فنی و مهندسی ، دانشگاه آزاد اسلامی واحد ساوه ، ساوه ، ایران

رضا احسن

دانشکده فنی و مهندسی ، دانشگاه آزاد اسلامی واحدقم ، قم ، ایران

اسماعیل شریعت

دانشکده فنی و مهندسی ، دانشگاه آزاد اسلامی واحد ساوه ، ساوه ، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • صنیعی آباده، محمد، محمودی، سینا، طاهرپرور، محدثه، 1391، داده‌کاوی کاربردی، ...
  • S. Sumathi, & Sivanandam, S. N. Introduction to data mining ...
  • Knowledge in Data: An In troduction to Data Mining?, ISBN ...
  • R.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2 ed., ...
  • M. Wo zniak, M. Zmyslony, Designing Fusers on the Basis ...
  • M. Wo zniak, K. Jackowski, Some remarks On chosen methods ...
  • Y. Sun, A.K.C. Wong, M.S. Kamel, Classification of imbalanced data: ...
  • X. Chen, M. Wasikowski, Fast: a roc-based feature selection metric ...
  • K. Napierala, J. Stefanowski, Identification of different types of minority ...
  • V. Garcia, R.A. Mollineda, J.S. Sanchez, On the k-nn performance ...
  • V. Lopez, A. Fernandez, J.G. Moreno -Torres, F. Herrera, Analysis ...
  • N.V. Chawla, K.W. Bowyer, L.O. Hall, W.P. Kegelmeyer, Smote: synthetic ...
  • S. Chen, H. He, E.A. Garcia, Ramoboost: Ranked minority oversampling ...
  • H. He, Y. Bai, E.A. Garcia, S. Li, Adasyn: adaptive ...
  • B. Krawczyk, M. Wo'zniak, Combining diverse one-class classifiers, in: E. ...
  • L. Breiman, J.H. Friedman, R.A. Olshen, C.J. Stone, Classification and ...
  • C.X. Ling, Q. Yang, J. Wang, S. Zhang, Decision trees ...
  • T.K. Ho, The random subspace method for constructing decision forests, ...
  • B. Krawczyk, M. Wo'zniak, G. Schaefer, Improving minority class pre ...
  • Ashlock Daniel, Evolutionary Computation for Modeling and Optimization, 1sted., Springer, ...
  • نمایش کامل مراجع