ارائه‌ی سیستم تصمیم‌گیری به منظور جایگزینی داده‌های ازدست‌رفته مبتنی بر شبکه‌ی عصبی پیشخور (مطالعه‌ی موردی بیماران مزمن کلیوی)

امروزه داده‌های ازدست رفته حتی در مطالعات خوب طراحی و کنترل شده یافت می‌شوند. وجود داده‌های ازدست رفته، شرایط تشخیص را دشوار و پاسخ‌ها را از لحاظ مفهومی به سمت اشتباه سوق می‌دهد. از این‌رو یافتن روشی جهت جایگزینی یا حذف نمونه‌های ازدست رفته می‌تواند یک رویکرد امیدبخش برای داده‌های غیرقابل استفاده باشد. در این پژوهش نشان داده می‌شود روش جایگزینی برای تمامی سناریوهای داده‌ای از کیفیت بالایی برخوردار نیست و مدیریت تصمیم‌گیری برای حذف و جایگزینی در بهبود کیفیت داده‌ها می‌تواند موثر عمل نماید. در این پژوهش، یک روش جهت مدیریت حذف یا جایگزینی فیلدهای اطلاعاتی ازدست رفته با توجه به دانش قبلی در مورد روابط بین متغیرهای ورودی و پیش‌بینی ارائه می‌گردد. روش پیشنهادی با محاسبه‌ی تئوری مقدار آستانه، حذف نمونه‌ها با داده‌های ازدست رفته‌ی بالا با توجه به آستانه‌ی تعیین شده و جایگزینی سایر داده‌های از دست رفته با پیش‌بینی شبکه‌ی عصبی پرسپترون چندلایه توانست خطای طبقه‌بندی الگوریتم‌های درخت تصمیم، بیز ساده، کا-نزدیکترین همسایه و شبکه‌ی عصبی را به ترتیب %2.51، %2.45، %2.22 و %1.34 نسبت به روش جایگزینی میانگین بهبود بخشد. همچنین خطای طبقه‌بندی را %0.37 نسبت به پیشینه‌ی پژوهش در پیش‌بینی وضعیت بیماران مزمن کلیوی کاهش دهد.