سیستم های خبره پزشکی نقش مهمی در پیش بینی زودهنگام بیماری ها ایفا می کنند. به ویژه اهمیت عملکرد صحیح این سیستم ها با انتشار بیماری کرونا و اختصاص زمان و انرژی زیادی از کادر درمان به مراتب بیشتر از گذشته شده است. بیماری دیابت مورد تمرکز این مقاله است که در سیستم های خبره معمولاً با یادگیری یک دسته بند پیاده سازی می شود. عملکرد دسته بندها در یادگیری ماشین به میزان زیادی وابسته به ویژگی های ورودی است. ویژگی های افزونه و با ابعاد بالا می تواند باعث افت کارایی دسته بند و افزایش هزینه شود. در این مقاله بکارگیری یک روش انتخاب ویژگی مبتنی بر انحنای منگر جهت حذف ویژگی های نامفید و افزونه پیشنهاد شده است. با توجه به عملکرد موفق سیستم استنتاج عصبی-فازی تطبیقی در یش بینی دیابت، بعد از انتخاب ویژگی ها این دسته بند اعمال شده و نتایج روی مجموعه داده PIMA با زمانی که از انتخاب ویژگی منگر استفاده نشده باشد، مقایسه شده است. ارزیابی انجام شده کارایی روش پیشنهادی را بر اساس ملاک های دقت، F1 و تشخیص پذیری تایید می کند.
کليدواژه ها
مجموعه داده PIMA، سیستم خبره، سیستم استنتاج عصبی فازی تطبیقی- تشخیص دیابت- انتخاب ویژگی مبتنی بر انحنای منگر
کد مقاله / لینک ثابت به این مقاله
برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :
نحوه استناد به مقاله
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
زهره کریمی , 1400 , یک سیستم خبره بر اساس سیستم استنتاج عصبی-فازی تطبیقی جهت تشخیص بیماری دیابت با انتخاب ویژگی مبتنی بر انحنا , نخستین همایش بین المللی و سومین همایش ملی ریاضیات زیستی
