جبران داده های مفقود پزشکی با ترکیب شبکه بیزین و ماشین یادگیری مفرط
شبکه بیزین یکی از توانمندترین روش ها در تخمین داده های مفقود است. از طرفی ماشین یادگیری مفرط به طور تحلیلی وزن های خروجی های بهینه را محاسبه می کند و این امیدواری وجود دارد که در مورد داده های مفقود، به عنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روش های تخمین مقادیر مفقود این است که ماهیت این روش ها عمدتا برای داده ها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسب ترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین داده های مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران داده های مفقود با ترکیب BN-ELM و طبقه بندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روش های تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.