خوشه بندی داده های بیماری هپاتیت با استفاده از الگوریتم بهینه سازی علف های هرز

لزوم استفاده از الگوریتم های یادگیر در پیش بینی و تشخیص بیماری به نحوی که صحت و اعتبار عملکرد آن قابلتضمین باشد، مطالعات و تحقیقات جدید را به سوی دستیابی به راهکارهای بهینه در هر دو زمینه پزشکی و دانش کامپیوتررهنمون کرده است. در این راستا بیوانفورماتیک علمی است که توانسته این همکاری را بین محققان این دو رشته به نحواحسن فراهم آورد. برای خوشه بندی داده های بیماری هپاتیت بایستی به داده های بیماری هپاتیت دسترسی داشت. برروی داده ها ابتدا با استفاده از شاخص مرکزی میانگین عمل پاکسازی داده ها صورت گرفته است سپس بعداز نرمال سازیبه کمک الگوریتم تحلیل تفکیکی فیشر تعداد 6 ویژگی از بین 91 ویژگی انتخاب و مدل پیشنهادی معرفی شده است، کهترکیبی از خوشه بند K-Means و الگوریتم بهینه سازی علف های هرز می باشد و با اعمال آن بر روی پایگاه داده مذکور ومقایسه نتایج خوشه بندی آن با الگوریتم های بهینه سازی هوشمند دیگر نظیر الگوریتم بهینه سازی ازدحام ذرات، الگوریتمبهینه سازی کلونی مورچگان، الگوریتم های K-Medoids و K-Means می توان دریافت که ترکیب خوشه بند K-Means و الگوریتم بهینه سازی علف های هرز نه تنها دقت خوشه بندی را بالا می برد بلکه قدرت تعمیم دهی مدل را نیزافزایش می دهد. نتایج استفاده از خوشه بند K-Means و الگوریتم بهینه سازی علف های هرز حاکی از دقت 100 % درطبقه بندی داده های آزمایشی و 98.9 % در طبقه بندی داده های آموزشی است.

کلیدواژه ها:

خوشه بندی ، هپاتیت ، الگوریتم بهینه سازی علف های هرز ، الگوریتم K-Means ، الگوریتم K-Medoids ، الگوریتم تحلیل ترکیبی فیشر