پیش بینی سرطان سینه با استفاده از روش خوشه بندی انتشار وابستگی با در نظر گرفتن وزن متغیرها

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (بدون رتبه معتبر)
چکیده:
با استفاده از ابزارهای داده کاوی در حوزه ی تشخیص پزشکی محدودیت هایی همچون هزینه های بالای برخی از آزمایشات یا زمان بر بودن آن ها مرتفع می گردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روش های دسته بندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روش های خوشه بندی و دسته بندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشه بندی انتشار وابستگی انجام می شود. این روش با استفاده از یک الگوریتم ابتکاری وزن هایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشه های موزون تشکیل می دهد. سپس شماره خوشه ها به عنوان یک متغیر جدید به داده ها افزوده شده و در مرحله ی بعد، الگوریتم دسته بند بر روی مجموعه داده ی اصلاح شده حاوی داده های اصلی و شماره ی خوشه ها اجرا می گردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه می یابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشه بندی انتشار وابستگی با میانگین دقت 36/98 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکه ی عصبی ترکیبی را نسبت به سایر روش ها مورد تایید قرار داده است.
زبان:
فارسی
صفحات:
27 تا 39
لینک کوتاه:
magiran.com/p1948422 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • 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.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!