طبقه بندی داده های نامتوازن در تشخیص اولیه بیماری های پستان با روش های آدابوست، شبکه عصبی احتمالی و K تا نزدیک ترین همسایه

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 طبقه بندی داده های نامتوازن در تشخیص اولیه بیماری های پستان با روش های آدابوست، شبکه عصبی احتمالی و K تا نزدیک ترین همسایه دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد طبقه بندی داده های نامتوازن در تشخیص اولیه بیماری های پستان با روش های آدابوست، شبکه عصبی احتمالی و K تا نزدیک ترین همسایه  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی طبقه بندی داده های نامتوازن در تشخیص اولیه بیماری های پستان با روش های آدابوست، شبکه عصبی احتمالی و K تا نزدیک ترین همسایه،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن طبقه بندی داده های نامتوازن در تشخیص اولیه بیماری های پستان با روش های آدابوست، شبکه عصبی احتمالی و K تا نزدیک ترین همسایه :

نام کنفرانس، همایش یا نشریه : بیماریهای پستان ایران

تعداد صفحات :۶

مقدمه: سرطان پستان یکی از سرطان های شایع در ایران بوده و هر گونه اقدام تشخیصی به هنگام در این مورد می تواند جان بسیاری از مبتلایان به این سرطان را نجات بخشد. هدف از این پژوهش طبقه بندی داده های نامتوازن مربوط به بانوان مراجعه کننده به کلینیک پژوهشکده سرطان پستان جهاد دانشگاهی به منظور تعیین وضعیت ایشان و طبقه بندی نرمال و یا غیرنرمال بودن پستان مراجعه کنندگان بود. مجموعه داده های نامتوازن یکی از چالش های پیش روی طراحی سیستم های پزشک یار برای طبقه بندی و تعیین وضعیت بیمار محسوب می شود که در این پژوهش از روش های سطح داده برای حل آن استفاده شد.روش بررسی: در این مطالعه برای طبقه بندی داده های ۹۱۸ نفر، سه الگوریتم AdaBoost.M1، k تا نزدیک ترین همسایه و شبکه عصبی احتمالی به خدمت گرفته شد. از آنجا که داده های این مطالعه نامتوازن بود، برای حل این مساله از روش بیش نمونه برداری تصادفی کلاس اقلیت، زیرنمونه برداری تصادفی کلاس اکثریت و بیش نمونه برداری مصنوعی کلاس اقلیت استفاده شد. به منظور پیاده سازی الگوریتم ها از امکانات و ابزارهای نرم افزار «متلب» و «آر» استفاده گردید. همچنین برای ورودی الگوریتم های طبقه بندی از ۶۰ متغیر مندرج در کاربرگ های شرح حال و معاینه فیزیکی مراجعان استفاده شد. معیارهای دقت و F-measure به منظور ارزیابی در مرحله آزمون الگوریتم ها مورد استفاده قرار گرفت.یافته ها: بر اساس معیارهای دقت و F-measure، بهترین عملکرد الگوریتم های سه گانه این مطالعه در مواجهه با مجموعه داده تولیدشده با روش بیش نمونه برداری مصنوعی کلاس اقلیت بود. در این راستا عملکرد الگوریتم هایAdaBoost.M1 ، k تا نزدیک ترین همسایه و شبکه عصبی احتمالی در مواجهه با مجموعه داده مذکور و بر اساس معیارهای دقت و F-measure به ترتیب عبارتند از: ۹۳.۵ و ۹۳.۶، ۷۹.۵ و ۸۷.۷ و ۸۶ و ۹۱.۹ بدست آمد.نتیجه گیری: روش های مختلفی برای حل مساله عدم توازن مجموعه داده ها به منظور طبقه بندی وجود دارد؛ نمونه گیری مجدد که از روش های سطح داده محسوب می شود یکی از متداول ترین آنهاست. از سه روش نمونه گیری مجددی که در این مطالعه استفاده شد، بهترین عملکرد طبقه بندها در مواجهه با مجموعه داده ایجاد شده در نتیجه نمونه گیری مجدد به روش بیش نمونه برداری مصنوعی کلاس اقلیت بود. از بین الگوریتم های به خدمت گرفته شده و بر اساس معیارهای دقت و F-measure بهترین عملکرد در تمامی مجموعه داده های این مطالعه متعلق به الگوریتم AdaBoost.M1 بود.

کلید واژه: عدم توازن داده، طبقه بندی، بیماری پستان، K ،AdaBoost.M1 تا نزدیک ترین همسایه، شبکه عصبی احتمالی، نمونه گیری مجدد