استفاده از الگوریتم های k-means و ژنتیک برای کاهش ابعاد توسط یکپارچه سازی SVM برای تشخیص دیابت
💬 نظرات کاربران
💬ثبت نام کاربران
💬ورود کاربران
دانلود پروژه ها ، مقالات ، تحقیق ها و هر مطلب دیگر مربوط به مهندسی کامپیوتر ،فناوری اطلاعات و تکنولوژی

دوشنبه 22 شهریور 1395
ن : computer-engineer ارسال نظر(0)

استفاده از الگوریتم های k-means و ژنتیک برای کاهش ابعاد توسط یکپارچه سازی SVM برای تشخیص دیابت


استفاده-از-الگوریتم-های-k-means-و-ژنتیک-برای-کاهش-ابعاد-توسط-یکپارچه-سازی-svm-برای-تشخیص-دیابت

استفاده از الگوریتم های k-means و ژنتیک برای کاهش ابعاد توسط یکپارچه سازی SVM برای تشخیص دیابت

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: docx
تعداد صفحات: 14
حجم فایل: 556

 

 

بخشی از متن:

اداره و رسیدگی حجم زیادی از داده های موجود در صنعت مراقبت های بهداتشی دشوار می باشد. از این رو، فرایند "استخراج" برای پیدا کردن الگوی لازم و رابطه بین ویژگی های موجود، ضروری می باشد. داده کاوی پزشکی، یک زمینه مهم تحقیقاتی است که در آن الگوریتم های تکاملی خوشه بندی، یک نقش حیاتی ایفا می کنند. در این کار پژوهشی، k-means برای از بین بردن داده های نویزی و الگوریتم های ژنتیک برای پیدا کردن مجموعه بهینه از ویژگی ها و ماشین بردار پشتیبان به عنوان طبقه بندی کننده مورد استفاده قرار می گیرند. نتایج تجربی نشان می دهد که مدل پیشنهادی به دقت متوسط 98.79% برای کاهش مجموعه داده بیماران دیابتی"سرخپوستان پیما" که از مخزن یو "سی ای" استخراج شده است دست می یابد. همچنین روش پیشنهادی نتایج بهتری در مقایسه با روش آماده سازی داده های مبتنی بر خوشه بندی k-means اصلاح شده با طبقه بندی ماشین بردار پشتیبان (96.71%) به دست می آورد، همانطور که در مقالات توصیف شده است.

 

دانلود فایل


استفاده-از-الگوریتم-های-k-means-و-ژنتیک-برای-کاهش-ابعاد-توسط-یکپارچه-سازی-svm-برای-تشخیص-دیابت

استفاده از الگوریتم های k-means و ژنتیک برای کاهش ابعاد توسط یکپارچه سازی SVM برای تشخیص دیابت

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: docx
تعداد صفحات: 14
حجم فایل: 556

 

 

بخشی از متن:

اداره و رسیدگی حجم زیادی از داده های موجود در صنعت مراقبت های بهداتشی دشوار می باشد. از این رو، فرایند "استخراج" برای پیدا کردن الگوی لازم و رابطه بین ویژگی های موجود، ضروری می باشد. داده کاوی پزشکی، یک زمینه مهم تحقیقاتی است که در آن الگوریتم های تکاملی خوشه بندی، یک نقش حیاتی ایفا می کنند. در این کار پژوهشی، k-means برای از بین بردن داده های نویزی و الگوریتم های ژنتیک برای پیدا کردن مجموعه بهینه از ویژگی ها و ماشین بردار پشتیبان به عنوان طبقه بندی کننده مورد استفاده قرار می گیرند. نتایج تجربی نشان می دهد که مدل پیشنهادی به دقت متوسط 98.79% برای کاهش مجموعه داده بیماران دیابتی"سرخپوستان پیما" که از مخزن یو "سی ای" استخراج شده است دست می یابد. همچنین روش پیشنهادی نتایج بهتری در مقایسه با روش آماده سازی داده های مبتنی بر خوشه بندی k-means اصلاح شده با طبقه بندی ماشین بردار پشتیبان (96.71%) به دست می آورد، همانطور که در مقالات توصیف شده است.

 

دانلود فایل