مقایسه‌ی الگوریتم‌های داده کاوی برای تشخیص بیماری کبد

زمینه و هدف: کبد به عنوان یکی از بزرگ ترین اندام های داخلی بدن، وظیفه ی انجام اعمال حیاتی مختلفی ازجمله تصفیه و پالایش خون، تنظیم هورمون های بدن، ذخیره ی گلوکز و ... را در بدن به عهده دارد. بنابراین اختلال در کارکرد آن مشکلات گاه جبران ناپذیری به دنبال خواهد داشت. لذا پیش بینی به موقع این بیماری به درمان های اولیه و موثر آن کمک می کند. با توجه به اهمیت بیماری کبد و افزایش تعداد مبتلایان، مطالعه ی حاضر با هدف پیش بینی بیماری کبد با استفاده از الگوریتم های داده کاوی صورت گرفت. روش بررسی: این پژوهش از نوع توصیفی بوده و با استفاده از 721 داده ی جمع آوری شده از بیماران کبدی شهر زاهدان انجام شده است. در این بررسی پس از پیش پردازش داده ها، تکنیک های داده کاوی از قبیل ماشین بردار پشتیبان، chaid، exhaustive chaid و c5.0 تقویت شده در نرم افزار ibm spss modeler 18 بررسی، مقایسه و تحلیل شده است.یافته ها: یافته ها نشان داد که الگوریتم c5.0 تقویت شده با دقت 94/09 درصد، الگوریتم exhaustive chaid با دقت 88/71 درصد، ماشین بردار پشتیبان با دقت 87/09 درصد و الگوریتم chaid با دقت 85/47 درصد بیماری کبد را پیش بینی کردند. بنابراین بهترین الگوریتم از لحاظ دقت عملکرد، الگوریتم c5.0 تقویت شده شناخته شد. نتیجه گیری: با توجه به دقت الگوریتم c5.0 تقویت شده و قوانین حاصل از آن، برای یک نمونه ی جدید با ویژگی های مشخص، می توان احتمال ابتلای فرد به بیماری کبد را با دقت قابل قبولی پیش بینی کرد.

Evaluation of Data Mining Algorithms for Detection of Liver Disease

Background and Aim: The liver, as one of the largest internal organs in the body, is responsible for many vital functions including purifying and purifying blood, regulating the body's hormones, preserving glucose, and the body. Therefore, disruptions in the functioning of these problems will sometimes be irreparable. Early prediction of these diseases will help their early and effective treatment. Regarding the importance of liver diseases and increasing number of patients, the present study, using data mining algorithms, aimed to predict liver disease.Materials and Methods: This descriptive study was performed using 721 data from liver patient in zahedan. In this study, after preprocessing data, data mining techniques such as SVM: Support Vector Machine, CHAID, Exhaustive CHAID and boosting C5.0, data were analyzed using IBM SPSS Modeler 18 data mining software.Result: The validity obtained for boosting C5.0 94/09, for Exhaustive CHAID algorithm 88/71, for SVM 87/09, for CHAID algorithm 85/47 prediction of liver disease. the boosting C5.0 algorithm showed a better performance of this algorithm among other algorithms.Conclusion: According to the rules created by boosting C5.0 algorithm, for a new sample, one can predict the likelihood of a person for developing liver disease with high precision.