این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محاسبات نرم، جلد ۸، شماره ۱، صفحات ۷۰-۸۵
عنوان فارسی بهبود کارایی الگوریتم‌های یادگیری ماشین در تشخیص بیماری‌های قلبی با بهینه‌سازی داده‌ها و ویژگی‌ها
چکیده فارسی مقاله قلب یکی از مهم‌ترین اعضای بدن بوده و بیشترین علت مرگ‌‌‌ومیر در دنیا و ایران، بیماری‌های قلبی است. ازاین‌رو تشخیص زودهنگام و بموقع، یکی از ارکان مهم برای جلوگیری و کاهش مرگ‌ومیر ناشی از این بیماری است. هدف از این پژوهش، ایجاد مدل‌های تشخیص بیماری‌های‌ قلبی با استفاده از روش‌های یادگیری ماشینی است. مدل‌ها بر روی مجموعه داده‌های قلب کلیولند دانشگاه کالیفرنیا، ایروین ایجاد شده است. با توجه به روش پیشنهادی پژوهش، پس از پردازش کامل داده‌ها که شامل شناسایی داده‌های پرت، نرمال‌سازی، گسسته‌سازی و انتخاب ویژگی می‌باشد، با توجه به ماهیت الگوریتم‌ها، داده‌‌ها به دو شکل داده‌های عددی نرمال‌شده و گسسته‌شده به بازه‌های بهینه، تغییر یافته است. همچنین ورودی الگوریتم‌های مورد استفاده، یک بار ویژگی‌های پردازش‌شده و بار دیگر ویژگی‌های ایجادشده توسط الگوریتم تحلیل مؤلفه‌های اصلی می‌باشد. از طرفی با استفاده از روش‌های‌ جست‌وجوی تصادفی با اعتبارسنجی متقابل و جست‌وجوی شبکه‌ای از طریق Talos Scan پارامتر‌های مناسب هر الگوریتم انتخاب و مدل‌ها ایجاد و ارزیابی شده است. در بین الگوریتم‌های درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و XGBoost، بیشترین صحت مربوط به ماشین بردار پشتیبان به میزان 92/9% و در بین شبکه‌های عصبی بیشترین صحت به میزان 94/6%، مربوط به شبکه عصبی پرسپترون چندلایه است. 
کلیدواژه‌های فارسی مقاله پیش‌بینی بیماری‌های قلبی، دسته‌بندی، الگوریتم‌های یادگیری ماشینی، شبکه‌های عصبی،
عنوان انگلیسی Improving the Performance of Machine Learning Algorithms for Heart Disease Diagnosis by Optimizing Data and Features
چکیده انگلیسی مقاله Heart is one of the most important members of the body, and heart disease is the major cause of death in the world and Iran. This is why the early/on time diagnosis is one of the significant basics for preventing and reducing deaths of this disease. So far, many studies have been done on heart disease with the aim of prediction, diagnosis, and treatment. However, most of them have been mostly focused on the prediction of heart disease. The purpose of this study is to develop models for heart disease diagnosis using machine learning, neural network, and deep learning algorithms. The models have been developed using the Cleveland heart disease dataset from University of California Irvine (UCI) repository. After complete data processing, including outlier detection, normalization, discretization, feature selection and feature extraction, the dataset is transformed into two normalized data and discretized data, according to the nature of the algorithms. Moreover, in constructing models of machine learning and neural networks, two randomized searches with cross-validation and grid search with Talos scan approaches are used for model tuning. Among evaluated models, including decision tree algorithms, random forest, support vector machine (SVM) and XGBoost, the highest accuracy is 92.9% using SVM, and among neural network models, multilayer perceptron (MLP) has resulted in the highest accuracy of 94.6%.
کلیدواژه‌های انگلیسی مقاله پیش‌بینی بیماری‌های قلبی, دسته‌بندی, الگوریتم‌های یادگیری ماشینی, شبکه‌های عصبی
نویسندگان مقاله هادی ویسی |
دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

حمیدرضا قایدشرف |
دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

مرتضی ابراهیمی |
دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

نشانی اینترنتی https://scj.kashanu.ac.ir/article_111441_d733656f1d02241f59dbd0cc7e3f1cac.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات