CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۷ | نظرات: ۰
سال انتشار: ۱۳۹۸
کد COI مقاله: INFM03_016
زبان مقاله: فارسی
حجم فایل: ۷۳۲.۸۹ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۸ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی

  پریسا دانشجو - دانشگاه آزاد اسلامی واحد تهران غرب ، تهران
  حسن علیمحمدی - دانشگاه آزاد اسلامی واحد تهران غرب ، تهران

چکیده مقاله:

بیماری قلبی ممکن است یکی از دلایل اصلی مرگ باشد. به علت فقدان دانش و تجربیات متخصصان در مورد علائم نارسایی قلب برایپیش بینی اولیه این بیماری، کار آسان برای تشخیص بیماری نیست. درنتیجه، پیش بینی مبتنی بر رایانه؛ مبتلایان به بیماری قلبی میتواندنقش مهمی را در تشخیص پیش از مرحله برای انجام اقدامات مناسب با توجه به بهبودی بیماران بازی کند. بااینحال، انتخاب روش طبقه بندیمناسب داده کاوی می تواند به طور موثر پیش بینی مرحله اولیه بیماری را برای بازگشت از آن به همراه داشته باشد. در این مقاله، سه تکنیک طبقه بندی استفاده شده غالب از قبیل ماشین بردار پشتیبانی (SVM)، نزدیک ترین همسایه (K(KNN و شبکه عصبی مصنوعی (ANN) راموردبررسی قرار میدهیم، با توجه به ارزیابی آنها برای پیش بینی بیماری های قلبی با استفاده از مجموعه داده های بیماری کلیوی استاندارد موردمطالعه قرارگرفته است.. نتایج تجربی نشان میدهد که دقت طبقه بندی با استفاده از SVM (85.1852%) بهتر از استفاده از KNN (82336%) و ANN (73.3333%) است.

کلیدواژه‌ها:

داده کاوی، KNN, SVM، شبکه عصبی مصنوعی، پیش بینی بیماری قلبی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-INFM03-INFM03_016.html
کد COI مقاله: INFM03_016

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
دانشجو, پریسا و حسن علیمحمدی، ۱۳۹۸، ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی، سومین کنفرانس ملی ایده های نوین در فنی و مهندسی، رشت، سازمان بسیج مهندسی صنعتی استان گیلان، https://www.civilica.com/Paper-INFM03-INFM03_016.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (دانشجو, پریسا و حسن علیمحمدی، ۱۳۹۸)
برای بار دوم به بعد: (دانشجو و علیمحمدی، ۱۳۹۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: ۲۰۶۵
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.