یک رویکرد جدید برای تشخیص کم کاری تیروئید با استفاده از تکنیک های داده کاوی

یک رویکرد جدید برای تشخیص کم کاری تیروئید با استفاده از تکنیک های داده کاوی


  • 263 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

چکیده
موضوع: انتخاب ویژگی یکی از مهمترین گام های داده کاوی می باشد، چرا که به طور مستقیم بر نتایج بدست آمده اثر می گذارد. انتخاب ویژگی ابعاد مساله را کاهش و میزان دقت مدل را افزایش می دهد. همچنین الگوهای بدست آمده قابل فهم تر می شوند. تکنیک های زیادی برای انتخاب ویژگی وجود دارد. وزن دهی به ویژگی ها یکی از تکنیک های انتخاب ویژگی می باشد. 
هدف: هدف تحقيق انتخاب ویژگی های مهم تیروئید و تحلیل این داده ها با بالاترین دقت ممکن می باشد. 
روش تحقیق: در این تحقیق یک رویکرد جدید برای تحلیل داده های تیروئید ارائه گردید. انتخاب ویژگی به وسیله روش وزن دهی مهمترین آنالیز جزئی ('PCA انجام گرفت. تحلیل تیروئید بر اساس ویژگی های انتخاب شده توسط روش نزدیکترین همسایگی انجام گرفت. 

نتیجه: دقت رویکرد انجام گرفته 1۰۰% می باشد. بر اساس بهترین دانش ما این رویکرد در تحلیل داده های تیروئید هنوز به کار نرفته است.

در این تحقیق یک رویکرد جدید برای تحلیل تیروئید ارائه گردید. انتخاب ویژگی توسط روش PCA انجام و داده های تیروئید توسط روش نزدیکترین همسایگی و بر اساس ویژگی های انتخاب شده انجام گرفت. دقت این رویکرد % ۱۰۰(خطای صفر ) می باشد. با توجه به نتیجه بدست آمده و مقایسه خروجی با مقاله انجام شده، کارایی رویکرد ارائه شده، قابل توجه می باشد.
از این رویکرد برای سایر موضوعات پزشکی و غیر پزشکی می توان استفاده نمود. همچنین به جای PCA برای وزن دهی ویژگیها، می توان از سایر روشها مانند ماشین بردار پشتیبان برای وزن دهی ویژگی ها استفاده نمود.

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.