توسعه‌ی تکاملی الگوریتم جنگل تصادفی مبتنی بر دقت و تنوع برای تشخیص بیماری‌های قلبی

پیشبینی بیماری قلبی یکی از مسائل مهم در داده کاوی است و تاکنون روشهای مختلفی برای بهبود دقت پیش‌بینی این چالش ارائه شده است، با این حال نیاز به ارتقا دقت پیشبینی همچنان در این حوزه حس میشود. در این مقاله با استفاده از روش چندهدفه بهینه‌‌سازی ازدحام ذرات و جنگل تصادفی رویکرد جمعی جدیدی برای بهبود پیش‌بینی بیماری قلبی ارائه می‌شود. در این روش به جای رویکرد رایج انتخاب تصادفی ویژگی‌ها و نمونه‌ها در جنگل تصادفی و همچنین انتخاب تصادفی تعداد مجموعه‌های آموزشی، از رویکرد تکاملی چندهدفه استفاده می‌شود تا مجموعه‌های آموزشی با ویژگی‌ها و نمونه‌های متنوع برای برای آموزش هر درخت تولید شود. این اهم با در نظر گرفتن بده-بستان بین دقت و تنوع در روش‌های جمعی و بهینه‌سازی همزمان دو تابع هدف دقت و تنوع انجام می‌شود. در نهایت راه‌حل‌های بهینه بدست آمده در مرز پارتو تعیین‌کننده تعداد مجموعه‌های آموزشی و درخت تصمیم مورد نیاز برای ساخت جنگل تصادفی است. موثربودن روش پیشنهادی از طریق مقایسه عملکرد آن بر روی چهار مجموعه‌داده قلب، با طبقه‌بندهای جمعی مختلف بررسی شده است. همچنین نتایج مقایسه روش پیشنهادی با جنگل تصادفی نشان داده است که روش پیشنهادی با تعداد طبقه‌بندهای کمتر عمکلرد برتری نسبت به الگوریتم جنگل تصادفی با تعداد طبقه‌بندهای مختلف دارد.