استفاده از الگوریتم های داده کاوی در تشخیص اولیه بیماری پارکینسون در داده های متوازن

بیماری پارکینسون دارای تشخیص پزشکی بسیار مشکل و هزینه بر است و از آن جا که این بیماری در جوامع بشری بسیار شایع است، هر روز محققان در پی این هستند تا یک راه حل برای تشخیص زود هنگام این بیماری بیابند. تشخیص زود هنگام این بیماری نیاز به یک روش تشخیص صحیح و قابل اعتماد دارد که به پزشکان اجازه می دهد که آنرا از سایر بیماری های مشابه تمیز دهند. بنابراین، یافتن یک روش تشخیص صحیح و موثر و هم چنین عوامل خطر در بروز این بیماری، بسیار با اهمیت است. بطور کلی ترکیب طبقه بندها یک زمینه تحقیقاتی جدید در مبحث یادگیری ماشین و تشخیص الگو می باشد. روش های ترکیبی به این صورت است که مجموعه ای از طبقه بندها را با داده های آموزشی ایجاد کرده و میزان صحت را با انجام عملیات رایگیری بر روی نتایج آن ها بدست می آورند. از طرفی با وجود داده های نامتوازن و یادگیری در مجموعه داده های نامتوازن جایی که نمونه های طبقه اکثریت خیلی بیشتر از بقیه است، چالش مهمی در یادگیری ماشین است زیرا الگورتیم های قدیمی یادگیری ماشین، ممکن است به سمت طبقه اکثریت متمایل شوند و این مسئله صحت پیش بینی را در طبقه اقلیت پایین می آورد. در این مقاله روش زیرنمونه برداری تصادفی را بعد از مقایسه آن با روش های دیگر نمونه برداری مانند بیش نمونه بردای تصادفی و easyensemble و modifiedbagging، برای نمونه برداری مجموعه آموزش استفاده شد و سپس نتایج را با معیارهای recall و precision و معیار f و معیار g ارزیابی نموده تا توان پیش بینی طبقه بندها در مقابل داده های نامتوازن افزایش پیدا کند. در این مقاله روشی را بر مبنای استخراج ویژگی بر مبنای طبقه بند ترکیبی شد تا داده های آموزش را برای طبقه بند پایه ایجاد شود.