پیش بینی اهداء خون با استفاده از داده کاوی بر پایه الگوریتم های درخت تصمیم، knn، svm و mlp

اهداء خون نقش حیاتی و حساسی در حف سلامت و بقاء زندگی انسانها دارد. امروزه علیرغم تحولات عظیم علمی و پیشرفتهای علوم پزشکی، هنوز تامین کافی خون سالم یکی از چالشها و دغدغه های مجامع پزشکی در جهان است. پیش بینی و برنامه ریزی اهداء خون به منظور حفظ و تامین حجم خون مورد نیاز در بانک های خون با توجه به تنوع گرو ه های خونی و ارتباطات بین آنها در طول زمان بسیار مهم و دشوار است. در این مقاله سعی شد هاست تا از تکنیک های داد ه کاوی و یادگیری ماشین به منظور پیش بینی اهداء خون استفاده شود تا بتوان در باز ه های زمانی مختلف، حجم خون مورد نیاز بانک های خون را تخمین زده و تامین نمائیم. در همین راستا از چند الگوریتم طبقه بندی در یادگیری با نظارت از جمله الگوریتم‌های درخت تصمیم، knn، svm و mlp برای پیش بینی استفاده شده و نتایج میزان دقت هر کدام ارائه شده است. در مجموع، عملکرد الگوریتم ها ی knn و mlp در پیش بینی اهداء خون از دقت بیشتری برخوردار است

prediction of blood donations using data mining based on the decision tree algorithms knn, svm, and mlp

blood donation has an important and critical role to preserve the health and survival of human life. in today’s world, despite the enormous scientific advancements and the great developments in medical sciences, adequate supply of healthy blood is one of the challenges and concerns of the medical community in the world. preserving and supplying the volume of blood required in blood banks of each region, and the diverse blood groups with the connections between them, with assuming that the number of blood groups are rarer; makes the prediction and planning of blood donation more and more complicated and important during the time. the use of data mining in hospitals and blood transfer centers databases helps in the discovery of relations, so that they can have a future prediction based on the past information. accordingly, they have better diagnosed and successful cure various illnesses and show the patterns of new injuries. in this paper, we try to use data mining and machine learning techniques in decision making levels at mentioned field, to use this mechanism for prediction that how much blood will be donate to blood transfusion centers and blood banks in different period time, to estimate and supply the required blood volume of blood banks in different areas. in this regard, we use several classification algorithms in supervised learning for the prediction, including decision tree algorithms, knn, svm and mlp, these algorithms are implemented to predict and results of accuracy are presented.