تشخیص بیماری کبد با الگوریتم کرم شب‌تاب مبتنی بر الگوریتم آدابوست

مقدمه: بیماری کبدی یکی از بیماری‌های شایع و خطرناک می‌باشد و تشخیص بهموقع این بیماری می‌تواند در پیشگیری از عوارض، کنترل و درمان بیماری بسیار موثر باشد. هدف پژوهش حاضر بهبود الگوریتم آدابوست با الگوریتم کرم شب‌تاب برای تشخیص بیماری کبد می‌باشد.روش ها: مطالعه حاضر، از نوع توصیفی تحلیلی می‌باشد. مجموعه داده آن شامل 583 رکورد مستقل شامل 10 ویژگی موجود در مجموعه داده یادگیری ماشین دانشگاه کالیفرنیا، ایروین ((uci) university of california, irvine) می‌باشد. در این مقاله از ترکیب الگوریتم آدابوست و کرم شب‌تاب در راستای افزایش کارایی تشخیص بیماری کبد استفاده شده است. از 80‌ درصد داده‌ها جهت آموزش و از 20‌ درصد باقی‌مانده جهت آزمون استفاده شده است که این مبنا توسط ارزیابی‌های مختلف انتخاب شده است.یافته ها: نتایج نشان داد که عملکرد مدل ترکیبی با انتخاب ویژگی در مقایسه با حالت بدون انتخاب ویژگی بهتر است. البته انتخاب ویژگی‌های مهم در عملکرد مدل ترکیبی موثر هستند. درصد صحت (accuracy) مدل ترکیبی با پنج ویژگی در بهترین حالت برابر با 98.6 درصد و درحالت کلی و با تمام ویژگی‌ها برابر با 94.1 درصد است. در مقایسه کلی، مدل ترکیبی در مقایسه با اغلب مدل‌های داده کاوی از درصد صحت بیشتری برخوردار است.نتیجه‌گیری: با توجه به نتایج به دست آمده مطالعه حاضر، مدل ترکیبی در تشخیص و طبقه‌بندی افراد سالم و ناسالم می‌تواند نقش موثری در کمک به پزشکان داشته باشد و در مراکز پزشکی برای بالا بردن دقت، سرعت و کاهش هزینه‌ها می‌توان از این مدل استفاده نمود. نمی‌توان ادعا کرد که مدل ترکیبی در مقایسه با کل مدل‌ها بهتر است اما در مقایسه با بیشتر مدل‌ها دارای درصد صحت بیشتری است.

Diagnosing Liver Disease using Firefly Algorithm based on Adaboost

Introduction: Liver disease is one of the most common and dangerous diseases the early detection of which can be very effective in preventing complications as well as controlling and treating the disease. The purpose of this study was to improve Adaboost algorithm using Firefly Algorithm for diagnosing liver disease.Method: This is a descriptiveanalytic study. The dataset consists of 583 independent records including 10 features of machine learning dataset in the University of California, Irvine. In this study, Adaboost and Firefly Algorithm were combined to increase the effectiveness of liver disease diagnosis. 80% of the data were used for training and 20% for testing.Results: The results highlighted the superiority of the hybrid model of feature selection over the models without feature selection. Of course, the selection of important features affect the performance of the model. The accuracy of the hybrid model considering 5 and all features was 98.61% and 94.15%, respectively. Overall, the hybrid model proved more accurate compared with most of the other data mining models.Conclusion: Hybrid model can be used to help physicians identify and classify healthy and unhealthy individuals; it can also be used in medical centers to enhance accuracy and speed, and reduce costs. It cannot be claimed that the hybrid model is the best model; however, it proved more accurarate.