تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی به روش حذف داده

ترجمه مقاله تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی به روش حذف داده

ترجمه مقاله A New Data Elimination Method Based on Clustering Algorithms for Diagnosis of Diabetes Diseases

در این پست ترجمه مقاله تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی به روش حذف داده را با عنوان انگلیسی A New Data Elimination Method Based on Clustering Algorithms for Diagnosis of Diabetes Diseases آماده کردیم که در ادامه می توانید چکیده و مقدمه ای از این مقاله را مطالعه نمایئد. مقاله اصلی را نیز به صورت رایگان در ادامه می توانید دانلود کنید.

چکیده ترجمه مقاله تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی :

مهم ‌ترین عواملی که مانع از عملکرد سریع و کارآمد تشخیص الگو می ‌شوند عبارتند از داده‌ های نویزدار و متناقض در پایگاه ‌داده‌ها. در این مقاله یک روش جدید حذف داده بر اساس الگوریتم‌ های خوشه‌ بندی برای تشخیص بیماری‌ دیابت ارائه می‌گردد. در این روش، از الگوریتم K-means برای سیستم حذف داده مبتنی بر خوشه‌ بندی برای حذف داده‌ های نویزدار و متناقض استفاده می‌شود و از ماشین‌ بردار پشتیبانی (SVM) برای طبقه ‌بندی استفاده می ‌گردد.

این روش که جدیدا توسعه داده شده است در تشخیص دیابت تست شد. مجموعه ‌داده ‌های به کار رفته در تشخیص این بیماری‌، مجموعه ‌داده‌ های مربوط به دیابت هندی ‌های پیما هستند که از پایگاه ‌داد‌ی UCI به دست آمده ‌اند. نرخ موفقیت سیستم پیشنهادی در طبقه ‌بندی از این مجموعه داده، 93.65 درصد به دست آمد.

دقت ‌های طبقه ‌بندی برای این مجموعه ‌داده‌ ها با استفاده از روش اعتبار متقاطع 10 برابر، به دست آمدند. با توجه به نتیجه، روش پیشنهادی برای عملکرد، در مقایسه با سایر نتایج حاصل موفقیت ‌آمیز است و به نظر می ‌رسد برای کاربرد های تشخیص الگو بسیار امیدوار کننده می باشد.

عنوان فارسی این مقاله یک روش جدید حذف داده بر اساس الگوریتم‌ های خوشه‌بندی برای تشخیص بیماری‌ دیابت می باشد.

توضیحات بیشتر از ترجمه مقاله تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی و دانلود رایگان مقاله اصلی در ادامه مطلب.

مقدمه ترجمه مقاله تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی :

تشخیص الگو و داده ‌کاوی در جنبه ‌های زیادی از زندگی به کار می ‌روند این تکنیک ها مکر را در حوزه‌ های نظامی، پزشکی، و صنعتی مورد استفاده قرار می‌ گیرند. تنوع و مقدار داده‌ های جمع‌ آوری ‌شده‌ مورد استفاده در این کاربرد ها، به لطف مشارکت سیستم‌ های اندازه‌ گیری جدید، تا حد قابل ‌توجهی افزایش یافته است. تحلیل و ارزیابی این مجموعه‌ داده‌ها توسط متخصصین به منظور دستیابی به اطلاعاتی که در نهایت مفید خواهند بود تقریبا غیر ممکن شده است. به همین دلیل، الگوریتم های انتخاب ویژگی و کاهش داده‌ ها توسعه یافته‌ اند که با فیلتر کردن و مرتب کردن داده ها با توجه به اهمیت، و با شناسایی اندازه ‌گیری‌ های غیر ضروری در مجموعه‌ داده‌ ها، عملکرد سیستم‌ های تحلیل یا سیستم‌ های تشخیص را افزایش می ‌دهند.

در این الگوریتمی که ما توسعه دادیم، از الگوریتم K-means به عنوان ابزاری استفاده شده است که  داده ‌های منسجم یا غیر منسجم داخل خودشان را تعیین می‌ کند. عملیات کاهش داده ‌ها توسط یک الگوریتم اکتشافی انجام می ‌شود که با توجه به اطلاعات غیر منسجمی که از الگوریتم K-means‌ به دست آورده، اجرا می‌ گردد. تعداد ی شیوه‌ ی قابل‌ توجه در متون که از الگوریتم K-means برای کاهش داده ‌ها استفاده می ‌کنند اینگونه هستند:

داده ‌هایی را که اشتباه طبقه ‌بندی‌ شده ‌اند، از طریق الگوریتم ساده k-means روی داده ‌های دیابت نوع 2، از الگوی داده‌ اصلی استخراج کرده ‌اند ‌و بقیه‌ داده‌ ها را توسط روش اعتبار متقاطع k برابر روی الگوریتم C4.5 طبقه‌ بندی کرده‌اند. یک الگوریتم K-means طبقه‌ بندی ‌شده‌ محلی (NC-K-means) توسعه داده‌ اند و یک شاخص همسایگی مطلق را به الگوریتم سنتی K-means افزوده ‌اند. توضیحات بیشتر را با دریافت فایل ورد ترجمه مقاله تشخیص دیابت با الگوریتم‌ های خوشه‌ بندی به روش حذف داده مطالعه نمائید.