شما اینجائید:خانه»پیاده سازی مقاله»پیش بینی داده کاوی برای تشخیص بیماری تیروئید با استفاده از شبکه عصبی
پیش بینی داده کاوی برای تشخیص بیماری تیروئید با استفاده از شبکه عصبی
ارسال شده توسط:Papersimتاریخ ارسال: 2017/05/25در پیاده سازی مقالهدیدگاهها برای پیش بینی داده کاوی برای تشخیص بیماری تیروئید با استفاده از شبکه عصبی بسته هستند
هدف ما ، پیش بینی داده کاوی برای تشخیص بیماری تیروئید با استفاده از شبکه عصبی
در این مقاله یک رویکرد سیستماتیک برای تشخیص بیماری تیروئید با کمک الگوریتم پس انتشار مورد استفاده در شبکه های عصبی ارائه شده است. الگوریتم پس انتشار به طور گسترده ای در این زمینه مورد استفاده است. ANNبر اساس الگوریتم پس انتشار خطا برای پیش بینی زودتر بیماری توسعه داده شده است.پس از آن ANNبا داده های تجربی آموزش داده می شود و با استفاده از داده هایی که در طول فرایند آموزش استفاده نمی شودتست انجام می شود.نتایج نشان می دهد که خروجی ANN در سطح قابل قبولی در مقایسه با داده های تجربی است،این نشان می دهد که از شبکه های عصبی توسعه یافته می توان به عنوان یک جایگزین برای پیش بینی های سریعتر از یک بیماری استفاده کرد.
مجموعه داده ها از UCI مخزن یادگیری ماشین گرفته شده است. در این پایگاه داده هر رکورد از پرونده بیماران شامل ۲۹ ویژگی می باشد که مقادیر هرکدام از ویژگی ها می تواند بولین یا مقدار گسسته باشد.
نتایج تجربی
ما برای طبقه بندی بیماری های تیروئید یک شبکه عصبی پیش بینی کننده در نرم افزار MATLAB با کمک جعبه ابزار شبکه عصبی را مدل کرده ایم. ویژگی FTI به عنوان ورودی گرفته شده است برای طبقه بندی در سه کلاس مختلف از ۳-۱مورد استفاده قرار گرفته است.
عملکرد آموزش برای الگوریتم لونبرگ مارکواد و گرادیان نزولی ،میزان مربعات خطا و مقدار خطا گرادیان در طی فرایند آموزش شبوه عصبی در اشکال ۸-۴ نمایش داده شده است .همانطور که مشاهده می شود عملکردالگوریتم لونبرگ مارکواد در آموزش شبکه عصبی بهتر می باشد . در روش لونبرگ مارکواد بعد از ۱۹ تکرار پاسخ بهینه بدست آمده است، در صورتی که در روش گرادیان نزولی بعد از ۵۷ تکرار پاسخ بهینه بدست آمده است.
Predictive Data Mining for Diagnosis of Thyroid Disease using Neural Network
پیش بینی داده کاوی برای تشخیص بیماری تیروئید
با استفاده از شبکه عصبی
Published in: IJRMST
Date of Publication: 2015
برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلودشود