جانشینی مقادیر مفقود و تاثیر آن بر دقت کلاسه بندی در داده کاوی پزشکی

وجود مقادیر مفقود در داده های پزشکی می تواند تمام فرآیند داده کاوی و تفسیرهای حاصل را تحت تاثیر قرار دهد. بنابراین برخورد با این مقادیر ضروری می باشد. در این پژوهش تاثیر روش های مختلف برخورد با مقادیر مفقود بر روی دقت کلاسه بندی داده های پزشکی مورد ارزیابی قرار گرفت.
در این مطالعه، تاثیر روش های معروف جانشینی مقادیر مفقود شامل Mean/mode، Hot Deck، K-Nearest Neighbor، Maximum Possible Value، All Possible Value، Case Deletion و Regression بر روی دقت کلاسه بندی مجموعه داده های پزشکی سرطان سینه، ناراحتی قلبی، بیماری های پوستی، هپاتیت، تیروئید، دیابت، تومور اولیه، بیماران کبدی، سرطان ریه و بعد از جراحی، به ازای شش نرخ مختلف مقادیر مفقود، ارزیابی شد. در آزمایش ها از دو کلاسه بند شبکه های عصبی و نزدیکترین k همسایه در نرم افزار داده کاوی Weka استفاده شد. برای تخمین دقت، از روش 10-Fold cross validation استفاده شد.
نتایج نشان داد برای کلاسه بند شبکه های عصبی، همه روش های جانشینی در برابر نرخ های مختلف مقادیر مفقود، تاثیرات متفاوتی در دقت کلاسه بندی داشتند. برای کلاسه بند نزدیکترین k همسایه، روش جانشینی Mean/mode در مقایسه با سایر روش ها تقریبا با افزایش نرخ مقادیر مفقود، باعث افزایش دقت کلاسه بندی گردید. در مجموع، هیچ یک از روش های جانشینی به ازای همه نرخ-های مختلف مقادیر مفقود، همواره بیشترین دقت را نتیجه نداده و برتری نداشت.
تحلیل نتایج نشان می دهد روش های جانشینی بررسی شده به ازای همه نرخ های مختلف از مقادیر مفقود شده لزوما باعث بهبود دقت کلاسه بندی نگردیده و هیچ کدام از روش های جانشینی بررسی شده بهترین روش نیستند.