Please use this identifier to cite or link to this item:
http://localhost/handle/Hannan/4033
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | محمد نورسرش | - |
| dc.contributor.author | سعیده اسکندری | - |
| dc.contributor.author | محسن مظاهری اسد | - |
| dc.date.accessioned | 2020-11-14T22:13:30Z | - |
| dc.date.available | 2020-11-14T22:13:30Z | - |
| dc.date.issued | 1394 | en_US |
| dc.identifier.uri | http://localhost/handle/Hannan/4033 | - |
| dc.description.abstract | امروزه با پیشرفت علم و تکنولوژی و ابزارهای فناوری، توانایی بازبینی و ذخیرهسازی دادههای مهم با حجمی وسیع فراهم گردیده که نیاز به تحقیقات علمی جهت جستجو در این دادهها و دریافت نتایجمفید لازم و ضروری گردیده است. یکی از زمینههایی که نیازمند استفاده از این ابزارها جهت تحلیل دادههای وسیع و مدلسازی پیشگویانه با روشهای محاسباتی جدید است، علم پزشکی میباشد. هدفاز این تحقیق بررسی دادههای پزشکی و ارائه یک روش صحیح دادهکاوی در زمینه دستهبندی دادهها برای پیشگویی بیماری افراد با استفاده از الگوریتمهای مناسب میباشد. بدین منظور، ابتدا طبقهبندیبیماریها و علائم مربوط به آنها با مشاوره پزشکان متخصص و اطلاعات پزشکی در دسترس پرداخته شده است. سپس مدلها و الگوریتمهای مناسب با مجموعه دادههای پزشکی شناخته شده است. جهت بررسی الگوریتمها از ابزار دادهکاویWEKA استفاده شده است که در نهایت 11 الگوریتم در سه حالت تست مختلف برای این تحقیق اجرا شد. نتایج آزمون این الگوریتمها نشان داد که در حالت تستUse training set طبقهبندی درست نمونهها از عملکرد بهتری برخوردار بوده است. همچنین الگوریتمهای User Classifier و Rep tree ،FT ،Decision Stump درصد کلاسبندی صحیح پایینی داشتهاند که برای دادههای این تحقیق مناسب نبوده است. سایر الگوریتمها عملکرد مناسبی روی دادههای آموزشی داشتهاند که از میان آنها الگوریتم Random tree بهترین راندمان را ) 111 درصد( داشته است. همچنین الگوریتم 48J یک الگوریتم درخت تصمیم یادگیرنده 4.5 C میباشد که با 57 درصد طبقهبندی صحیح هم میتواند برای دادههای این تحقیق مناسب باشد | en_US |
| dc.language.iso | fa | en_US |
| dc.subject | الگوريتم دادهكاوي، دادهكاوي پزشكي، دادهكاوي بيماران، تشخيص بيماري، درخت تصميم | en_US |
| dc.title | کاربرد تکنیکهای دادهکاوی در تشخیص بیماریهای شایع با توجه به علائم آنها | - |
| dc.type | Article | en_US |
| Appears in Collections: | مهندسی صنایع | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| persian9.pdf | 3.28 MB | Adobe PDF |  Preview File |
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | محمد نورسرش | - |
| dc.contributor.author | سعیده اسکندری | - |
| dc.contributor.author | محسن مظاهری اسد | - |
| dc.date.accessioned | 2020-11-14T22:13:30Z | - |
| dc.date.available | 2020-11-14T22:13:30Z | - |
| dc.date.issued | 1394 | en_US |
| dc.identifier.uri | http://localhost/handle/Hannan/4033 | - |
| dc.description.abstract | امروزه با پیشرفت علم و تکنولوژی و ابزارهای فناوری، توانایی بازبینی و ذخیرهسازی دادههای مهم با حجمی وسیع فراهم گردیده که نیاز به تحقیقات علمی جهت جستجو در این دادهها و دریافت نتایجمفید لازم و ضروری گردیده است. یکی از زمینههایی که نیازمند استفاده از این ابزارها جهت تحلیل دادههای وسیع و مدلسازی پیشگویانه با روشهای محاسباتی جدید است، علم پزشکی میباشد. هدفاز این تحقیق بررسی دادههای پزشکی و ارائه یک روش صحیح دادهکاوی در زمینه دستهبندی دادهها برای پیشگویی بیماری افراد با استفاده از الگوریتمهای مناسب میباشد. بدین منظور، ابتدا طبقهبندیبیماریها و علائم مربوط به آنها با مشاوره پزشکان متخصص و اطلاعات پزشکی در دسترس پرداخته شده است. سپس مدلها و الگوریتمهای مناسب با مجموعه دادههای پزشکی شناخته شده است. جهت بررسی الگوریتمها از ابزار دادهکاویWEKA استفاده شده است که در نهایت 11 الگوریتم در سه حالت تست مختلف برای این تحقیق اجرا شد. نتایج آزمون این الگوریتمها نشان داد که در حالت تستUse training set طبقهبندی درست نمونهها از عملکرد بهتری برخوردار بوده است. همچنین الگوریتمهای User Classifier و Rep tree ،FT ،Decision Stump درصد کلاسبندی صحیح پایینی داشتهاند که برای دادههای این تحقیق مناسب نبوده است. سایر الگوریتمها عملکرد مناسبی روی دادههای آموزشی داشتهاند که از میان آنها الگوریتم Random tree بهترین راندمان را ) 111 درصد( داشته است. همچنین الگوریتم 48J یک الگوریتم درخت تصمیم یادگیرنده 4.5 C میباشد که با 57 درصد طبقهبندی صحیح هم میتواند برای دادههای این تحقیق مناسب باشد | en_US |
| dc.language.iso | fa | en_US |
| dc.subject | الگوريتم دادهكاوي، دادهكاوي پزشكي، دادهكاوي بيماران، تشخيص بيماري، درخت تصميم | en_US |
| dc.title | کاربرد تکنیکهای دادهکاوی در تشخیص بیماریهای شایع با توجه به علائم آنها | - |
| dc.type | Article | en_US |
| Appears in Collections: | مهندسی صنایع | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| persian9.pdf | 3.28 MB | Adobe PDF | Preview File |
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | محمد نورسرش | - |
| dc.contributor.author | سعیده اسکندری | - |
| dc.contributor.author | محسن مظاهری اسد | - |
| dc.date.accessioned | 2020-11-14T22:13:30Z | - |
| dc.date.available | 2020-11-14T22:13:30Z | - |
| dc.date.issued | 1394 | en_US |
| dc.identifier.uri | http://localhost/handle/Hannan/4033 | - |
| dc.description.abstract | امروزه با پیشرفت علم و تکنولوژی و ابزارهای فناوری، توانایی بازبینی و ذخیرهسازی دادههای مهم با حجمی وسیع فراهم گردیده که نیاز به تحقیقات علمی جهت جستجو در این دادهها و دریافت نتایجمفید لازم و ضروری گردیده است. یکی از زمینههایی که نیازمند استفاده از این ابزارها جهت تحلیل دادههای وسیع و مدلسازی پیشگویانه با روشهای محاسباتی جدید است، علم پزشکی میباشد. هدفاز این تحقیق بررسی دادههای پزشکی و ارائه یک روش صحیح دادهکاوی در زمینه دستهبندی دادهها برای پیشگویی بیماری افراد با استفاده از الگوریتمهای مناسب میباشد. بدین منظور، ابتدا طبقهبندیبیماریها و علائم مربوط به آنها با مشاوره پزشکان متخصص و اطلاعات پزشکی در دسترس پرداخته شده است. سپس مدلها و الگوریتمهای مناسب با مجموعه دادههای پزشکی شناخته شده است. جهت بررسی الگوریتمها از ابزار دادهکاویWEKA استفاده شده است که در نهایت 11 الگوریتم در سه حالت تست مختلف برای این تحقیق اجرا شد. نتایج آزمون این الگوریتمها نشان داد که در حالت تستUse training set طبقهبندی درست نمونهها از عملکرد بهتری برخوردار بوده است. همچنین الگوریتمهای User Classifier و Rep tree ،FT ،Decision Stump درصد کلاسبندی صحیح پایینی داشتهاند که برای دادههای این تحقیق مناسب نبوده است. سایر الگوریتمها عملکرد مناسبی روی دادههای آموزشی داشتهاند که از میان آنها الگوریتم Random tree بهترین راندمان را ) 111 درصد( داشته است. همچنین الگوریتم 48J یک الگوریتم درخت تصمیم یادگیرنده 4.5 C میباشد که با 57 درصد طبقهبندی صحیح هم میتواند برای دادههای این تحقیق مناسب باشد | en_US |
| dc.language.iso | fa | en_US |
| dc.subject | الگوريتم دادهكاوي، دادهكاوي پزشكي، دادهكاوي بيماران، تشخيص بيماري، درخت تصميم | en_US |
| dc.title | کاربرد تکنیکهای دادهکاوی در تشخیص بیماریهای شایع با توجه به علائم آنها | - |
| dc.type | Article | en_US |
| Appears in Collections: | مهندسی صنایع | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| persian9.pdf | 3.28 MB | Adobe PDF | Preview File |