استفاده از الگوریتم های تکاملی برای پیش-بینی بیماری هپاتیت

لزوم استفاده از الگوریتم های یادگیر در پیش بینی و تشخیص بیماری به نحوی که صحت و اعتبار عملکرد آن قابل تضمین باشد، مطالعات و تحقیقات جدید را به سوی دستیابی به راه کارهای بهینه در هر دو زمینه پزشکی و دانش کامپیوتر 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 خوشه بندی داده های بیماری هپاتیت بایستی به داده های بیماری هپاتیت دسترسی داشت. بر روی داده ها ابتدا با استفاده از شاخص مرکزی میانگین عمل پاک سازی داده ها صورت گرفته است سپس بعداز نرمال سازی به کمک الگوریتم تحلیل تفکیکی فیشر تعداد 6 ویژگی از بین 19 ویژگی انتخاب شده است و در نهایت با اعمال الگوریتم های تکاملی بهینه سازی علف های هرز بهینه سازی ازدحام ذرات و بهینه سازی کلونی مورچگان بر روی پایگاه داده و مقایسه نتایج خوشه بندی آن ها با هم می توان دریافت که الگوریتم بهینه سازی علف های هرز نه تنها دقت خوشه بندی را بالا می برد بلکه قدرت تعمیم دهی مدل را نیز افزایش می دهد. نتایج استفاده از الگوریتم بهینه سازی علف های هرز حاکی از دقت 100% در خوشه بندی داده های آزمایشی و 98.9% در خوشه بندی داده های آموزشی است.

کلیدواژه ها:

خوشه بندی ، الگوریتم بهینه سازی علف های هرز ، الگوریتم بهینه سازی ازدحام ذرات ، الگوریتم کلونی مورچگان