مدل تشخیص حمله قلبی با الگوریتم های تجمعی

مدل تشخیص حمله قلبی با الگوریتم های تجمعی

رشد چشمگیر بیماری قلبی و اثرات و عوارض آنها و هزینه هایی آن باعث شده است، که جامعه پزشکی به دنبال برنامه هایی جهت بررسی بیشتر، پیشگیری، شناسایی زودهنگام و درمان موثر آن باشند. هدف پژوهش ایجاد استخراج الگوهای بیماری با استفاده از تکنیک های دسته بندی ترکیبی داده کاوی روی مجموعه داده داخلی بیماران با خطر سکته قلبی است که دارای 451 نمونه و 13 ویژگی می باشد. از طرفی انتخاب ویژگی و بررسی شاخص های تأثیرگذار در طراحی دسته بند و افزایش دقت آن از اهمیت بالایی برخوردار است. لذا ویژگی های تأثیرگذار روش شاخص وزن دار جینی بررسی شده است. در فاز دسته بندی، تکنیک پایه مانند درخت تصمیم و شبکه عصبی و انواع تکنیک های تجمعی گرادیان بوستینگ، جنگل تصادفی را اعمال کرده و با دقت 95.33 % ، دقت کلاس بیماری 95.77 % و دقت کلاس سالم بودن تا94.74% دقت خوبی ارائه و نتایج شبکه عصبی را بهبود داد. پژوهش فعلی لزوم استفاده از روش های تجمعی و انتخاب فاکتورهای تاثیرگذار را جهت افزایش دقت ها در سیستم تشخیص حمله قلبی اثبات کرد. همچنین با گزارش قوانین مفید درختی لزوم استفاده از روش های داده کاوی در استخراج دانش اثبات شد.