تشخیص بیماری هپاتیت با استفاده از ترکیب الگوریتمK-Means و الگوریتم بهینه سازی علفهای هرز

لزوم استفاده از الگوریتمهای یادگیر در پیشبینی و تشخیص بیماری به نحوی که صحت و اعتبار عملکرد آن قابل تضمین باشد، مطالعات و تحقیقات جدید را به سوی دستیابی به راهکارهای بهینه در هر دو زمینه پزشکی و دانشکامپیوتر رهنمون کرده است. در این راستا بیوانفورماتیک علمی است که توانسته این همکاری را بین محققان این دو رشته به نحو احسن فراهم آورد. برای خوشهبندی دادههای بیماری هپاتیت بایستی به دادههای بیماری هپاتیت دسترسی داشت. بر روی دادهها ابتدا با استفاده از شاخص مرکزی میانگین عمل پاکسازی دادهها صورت گرفته است سپس بعداز نرمالسازی به کمک الگوریتم تحلیل تفکیکی فیشر تعداد 6 ویژگی از بین 11 ویژگی انتخاب و مدل پیشنهادی معرفی شده است، که ترکیبی از خوشهبند K-Means و الگوریتم بهینهسازی علفهای هرز میباشد و با اعمال آن بر روی پایگاهداده مذکور و مقایسه نتایج خوشهبندی آن با الگوریتمهای بهینهسازی هوشمند دیگر نظیر الگوریتم بهینهسازی ازدحام ذرات، الگوریتم بهینهسازی کلونی مورچگان، الگوریتمهای K-Medoids و K-Meansمیتوان دریافت که ترکیب خوشهبند K-Means و الگوریتم بهینهسازی علفهای هرز نه تنها دقت خوشهبندی را بالا میبرد بلکه قدرت تعمیمدهی مدل را نیز افزایش میدهد. نتایج استفاده از خوشهبند K-Means و الگوریتم بهینه- سازی علفهای هرز حاکی از دقت 111 % در خوشهبندی دادههای آزمایشی و 98.9درصد در خوشهبندی دادههای آموزشی است.

کلیدواژه ها:

خوشهبندی ، الگوریتم بهینهسازی علفهای هرز ، الگوریتم بهینهسازی ازدحام ذرات ، الگوریتم بهینهسازی کلونی مورچگان ، الگوریتم تحلیل تفکیکی فیشر