بررسی مطالعات روش پیش بینی بیماری قلبی با استفاده از تکنیک های طبقه بندی استخراج داده ها دانسته ها
Improved Study of Heart Disease Prediction System using Data Mining Classification Techniques
چکیده
صنعت مراقبت بهداشت و پزشکی عموما غنی از اطلاعات می باشد ،اما متاسفانه تمام دانسته ها و اطلاعاتی که برای کشف الگوهای نهفته و تصمیم گیری موثر مورد نیاز هستند:مورد کاوش و بررسی قرار نمی گیرند.تکنیک ها استخراج اطلاعات پیشرفته برای کشف دانش در داده ها به منظور تحقیقات و پژوهش های پزشکی به کار می روند .خصوصا در پیش بینی بیماری قلبی .این مقاله با استفاده از میزان بیشتری از مشخصه های منابع به بررسی و آنالیز سیستمهای محاسباتی بیماری قلبی پرداخته است . این سیستم از اصطلاحات همچون "جنسیت ، فشار خون، کلسترول نوع 13 ،برای پیش بینی احتمال دچار شدن بیمار به قلبی بیمار ،استفاده کرده .تاکنون 13 ویژگی برای پیش بینی به کار گرفته شده.این مقاله ی تحقیقاتی ،دو مشخصه ی دیگر مثل چاقی سیگار کشیدن را اضافه کرده است.تکنیک های طبقه بندی استخراج داده ها و اطلاعات ،برای مثال درختهای تصمیم،فضاهای خام و شبکه های عصبی در پایگاه داده ای بیماری قلبی ،بررسی می شوند .عملکرد این تکنیک ها ،بر اساس دقت شان ، مقایسه خواهند شد ،آنچنانکه نتایج میزان دقت شبکه ها ، درخت های تصمیم، و فضاهای خام به ترتیت 100%،99.62%،و 90.74% مقایسه میشوند.محاسبات ما مشخص می کند که از بین سه مدل طبقه بندی موجود، شبکه های عصبی ، پیش بینی بیماری قلبی را با بالاترین دقت انجام میدهد.
کلمات کلیدی : استخراج داده ها و اطلاعات ، بیماری قلبی ، شبکه های عصبی ، درخت های تصمیم ، فضاهای خام.
ABSTRACT
The Healthcare industry is generally “information rich”, but unfortunately not all the data are mined which is required for discovering hidden patterns & effective decision making. Advanced data mining techniques are used to discover knowledge in database and for medical research, particularly in Heart disease prediction. This paper has analysed prediction systems for Heart disease using more number of input attributes. The system uses medical terms such as sex, blood pressure, cholesterol like 13 attributes to predict the likelihood of patient getting a Heart disease. Until now, 13 attributes are used for prediction. This research paper added two more attributes i.e. obesity and smoking. The data mining classification techniques, namely Decision Trees, Naive Bayes, and Neural Networks are analyzed on Heart disease database. The performance of these techniques is compared, based on accuracy. As per our results accuracy of Neural Networks, Decision Trees, and Naive Bayes are 100%, 99.62%, and 90.74% respectively. Our analysis shows that out of these three classification models Neural Networks predicts Heart disease with highest accuracy.
Keywords Data Mining, Heart Disease, Neural Networks, Decision Trees, Naive Bayes.
ترجمه آماده: بررسی مطالعات روش پیش بینی بیماری قلبی با استفاده از تکنیک های طبقه بندی استخراج داده ها
