پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,506 |
| تعداد مشاهده مقاله | 124,126,816 |
| تعداد دریافت فایل اصل مقاله | 97,234,689 |
Applying High-level Agreement Ensemble Classification Voting Techniques to Distinguish Inflammatory Bowel Disease | ||
| Journal of Information Technology Management | ||
| مقاله 4، دوره 10، شماره 1، 2018، صفحه 69-92 اصل مقاله (858.01 K) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jitm.2017.233609.2043 | ||
| نویسندگان | ||
| Nayere zaghari1؛ Rahil Hosseini* 2 | ||
| 1Ph.D. Candidate, Department of Computer Engineering, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran | ||
| 2Assistant Prof, Department of Computer engineering, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده | ||
| Due to the complexity of medical decisions, there is a growing interest in the application of intelligence systems to support these decisions. In this paper, accordingly, the potential of several algorithms such as K Nearest Neighbor, Support Vector Machine, Random Forest, Naive Bayes, and Decision Tree was used to create an ensemble classification. Then, to obtain the voting result, high level agreement voting was used to evaluate the performance and make prediction. According to the involvement of body organs with this disease, the problem of diagnosing and differentiating various types of bowl inflammation was investigated. We should mention that higher prediction accuracy was obtained using the proposed model. The results and the comparisons of these methods showed that the proposed model indicates the highest prediction accuracy which is 98%. In the final step, the proposed model was evaluated applying the receiver operating characteristic curve model (ROC), and the area under the curve (AUC) was calculated. | ||
| کلیدواژه‌ها | ||
| Ensemble classification algorithms؛ High-level agreement voting algorithm؛ Inflammatory bowel disease؛ Noise detection؛ ROC Curve | ||
| عنوان مقاله [English] | ||
| بهکارگیری تکنیکهای دستهبندی ترکیبی رأیگیری با توافق سطح بالا برای تفکیک بیماری التهاب روده | ||
| نویسندگان [English] | ||
| نیره زاغری1؛ راحیل حسینی2 | ||
| 1دانشجوی دکتری مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2استادیار گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده [English] | ||
| بهدلیل پیچیدگی تصمیمات پزشکی، کاربرد سیستمهای هوشمند برای پشتیبانی از این تصمیمات افزایش یافته است. در این پژوهش از قابلیت پنج الگوریتم مختلف ماشین بردار پشتیبان، درخت تصمیمگیری، نایو بیزین، نزدیکترین همسایه و جنگل تصادفی، یک دستهبند ترکیبی ساخته شده که برای بهدست آوردن نتیجۀ آرای این دستهبند، از رویکرد رأیگیری با توافق سطح بالا بهمنظور ارزیابی و پیشبینی استفاده میشود. با توجه به اهمیت درگیری اعضای بدن نسبت به بیماری التهاب روده، در ارزیابی و مقایسۀ نتایج بهدست آمده، دستهبند ترکیبی پیشنهاد شده برای تفکیک دو نوع بیماری التهاب روده (کرون و کولیت) به درصد صحت بالاتری دست یافته است. نتیجۀ پژوهش و مقایسۀ روشها با توجه به آزمایشهای انجام شده نشان داد، بالاترین صحت پیشبینی (98 درصد) در دستهبندی ترکیبی پیشنهادشده (رأیگیری با توافق سطح بالا) بهدست آمده است. در گام آخر، مدل ساخته شده با استفاده از نمودار مشخصههای عامل گیرندۀ ROC ارزیابی شد و مساحت زیر نمودار AUC بهدست آمد. | ||
| کلیدواژه‌ها [English] | ||
| الگوریتم رأیگیری با توافق سطح بالا, الگوریتمهای ترکیبی دستهبندی, بیماری التهاب روده, تشخیص نویز, نمودار مشخصههای عامل گیرنده | ||
| مراجع | ||
|
علی مردانی، س.؛ آقایی، ع. (1394). ارائۀ روش نظارتی برای نظرکاوی در زبان فارسی با استفاده از لغت‌نامه و الگوریتم SVM. مدیریت فناوری اطلاعات، 7(2)، 362- 345. Ahmed, S. S., Dey, N., Ashour, A. S., Sifaki-Pistolla, D., Bălas-Timar, D., Balas, V. E., & Tavares, J. M. R. (2017). Effect of fuzzy partitioning in Crohn’s disease classification: a neuro-fuzzy-based approach. Medical & biological engineering & computing, 55(1), 101-115.
Alimardani, S., Aghaie, A. (2015). Opinion Mining in Persian Languageusing svm algorithm Journal of Information Technology Management, 7(2), 345-362. (in Persian)
Bashir, S., Qamar, U., Khan, F. H., & Naseem, L. (2016). HMV: A medical decision support framework using multi-layer classifiers for disease prediction. Journal of Computational Science, 13, 10-25.
Borut Sluban, A. & NadaLavrač, N. (2015). Relating ensemble diversity and performance: A study in class noise detection. Neurocomputing, 160, 120–131.
Catal, C., Alan, O. & Balkan, K. (2011). Class noise detection based on software metrics and ROC curves. Information Sciences, 181(21), 4867-4877.
Cooper, J.G., Purcell, G.P. (2006). Data Mining for Correlations between Diet and Crohn’s Disease Activity. AMIA Symposium Proceedings, Page – 897.
Guan, D., Yuan, W., & Shen, L. (2013, July). Class noise detection by multiple voting. IEEE. In Natural Computation (ICNC). Ninth International Conference on. pp. 906-911.
Guan, D., Yuan, W., Ma, T., & Lee, S. (2014). Detecting potential labeling errors for bioinformatics by multiple voting. Knowledge-Based Systems, 66, 28-35.
Kaladhar, D. S. V. G. K., Pottumuthu, B. K., Rao, P. V. N., Vadlamudi, V., Chaitanya, A. K., & Reddy, R. H. (1926). The Elements of Statistical Learning in Colon Cancer Datasets: Data Mining, Inference and Prediction. Algorithms Research, 2(1), 8-17.
Mossotto, E., Ashton, J.J., Coelho, T., Beattie, R.M., MacArthur, B.D., Ennis, S. (2017). Classification of Paediatric Inflammatory Bowel Disease using Machine Learning, 2017 May 25. doi: 10.1038/s41598-017-02606-2.
Olyaee, M. H., Yaghoubi, A., & Yaghoobi, M. (2016). Predicting protein structural classes based on complex networks and recurrence analysis. Journal of Theoretical Biology, 404, 375-382.
Sluban, B., & Lavrač, N. (2015). Relating ensemble diversity and performance: a study in class noise detection. Neurocomputing, 160, 120-131.
Thompson, V. L. S., Lander, S., Xu, S., & Shyu, C. R. (2014). Identifying key variables in African American adherence to colorectal cancer screening: the application of data mining. BMC public health, 14(1), 1173.
Uğuz, H. (2011). Adaptive neuro-fuzzy inference system for diagnosis of the heart valve diseases using wavelet transform with entropy. Neural Computing and Applications, 21 (7), 1617-1628. | ||
|
آمار تعداد مشاهده مقاله: 895 تعداد دریافت فایل اصل مقاله: 691 |
||