جبران داده‌های مفقود پزشکی با ترکیب شبکه بیزین و ماشین یادگیری مفرط

محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسی

الهه صباحی ¹ , سید محمد حسین معطر ² , رضا شیبانی ³

1 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
2 - هیات علمی گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد مشهد
3 - گروه نرم افزار، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد مشهد.

تاریخ دریافت : 1402/04/31 تاریخ پذیرش : 1402/07/05 تاریخ انتشار : 1402/07/05

کلید واژه: تشخیص بیماری هپاتیت, تخمین مقادیر مفقود, شبکه بیزین, ماشین یادگیری مفرط,

چکیده مقاله :

شبکه بیزین یکی از توانمندترین روش‌ها در تخمین داده‌های مفقود است. از طرفی ماشین یادگیری مفرط به‌طور تحلیلی وزن‌های خروجی‌های بهینه را محاسبه می‌کند و این امیدواری وجود دارد که در مورد داده‌های مفقود، به‌عنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روش‌های تخمین مقادیر مفقود این است که ماهیت این روش‌ها عمدتا برای داده‌ها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسب‌ترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین داده‌های مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران داده‌های مفقود با ترکیب BN-ELM و طبقه‌بندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روش‌های تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد.