این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشگاه علوم پزشکی خراسان شمالی، جلد ۷، شماره ۲، صفحات ۳۸۱-۳۹۱
عنوان فارسی کاهش خطای رده‌بندی تعیین بیماری تیروئید در شهرستان شوشتر با استفاده از الگوریتم بوستینگ درختی
چکیده فارسی مقاله زمینه و هدف: غده تیروئید یکی از غدد حیاتی بدن است که می‌توان گفت به طور غیر مستقیم روی تمام ارگان‌های بدن مانند قلب، کلیه، دستگاه گوارش و غیره اثر دارد هدف این مطالعه استفاده از الگوریتم بوستینگ در کاهش خطای تشخیص غده تیروئید نرمال از غده تیروئید غیرنرمال می‌باشد. این الگوریتم یک روش قدرتمند در حوزه تشخیص و پیش‌بینی می‌باشد. الگوریتم بوستینگ به طور مکرر یک رده‌بندی کننده پایه را روی داده‌های دوباره وزن‌دار شده رشد می‌دهد و در نهایت یک ترکیب خطی از نتایج تشکیل می‌دهد و از این رو دقت را بهبود می‌بخشد. مواد و روش کار: این مطالعه از نوع مقطعی است. داده‌های وضعیت غده تیروئید یک نمونه 103تایی از مراجعه کنندگان به آزمایشگاه سلامت شهرستان شوشتر در سال 89-90 مورد تحلیل قرار گرفت برای تشخیص غده تیروئید نرمال از غده تیروئید غیرنرمال از درخت‌های تصمیم معمولی و درخت‌های تصمیم بوستینگ از نرم افرار 3.0.1R استفاده شد. برای مقایسه نتایج از روش تحلیل رده‌بندی و سه معیار نرخ خطای رده‌بندی، حساسیت و ویژگی استفاده شد. یافته‌ها: نرخ خطای رده‌بندی، حساسیت و ویژگی در مجموعه آزمون برای درخت‌های تصمیم معمولی به ترتیب 088/0، 91/0 و 92/0 به دست آمدند و در درخت‌های تصمیم بوستینگ سه معیار فوق به ترتیب 029/0، 955/0و 1 به دست آمدند. نتیجه‌گیری: نتایج این مطالعه نشان داد که الگوریتم بوستینگ برای تشخیص غده تیروئید نرمال از غده تیروئید غیرنرمال بسیار موفق‌‌تر عمل می‌کند بنابراین استفاده از درخت‌های تصمیم بوستینگ جهت تشخیص و پیشگویی وضعیت غده تیروئید پیشنهاد می‌شود.
کلیدواژه‌های فارسی مقاله الگوریتم بوستینگ، نرخ خطای رده‌بندی، حساسیت، ویژگی.
عنوان انگلیسی Decreasing in misclassification of determination thyroid disease in Shoushtar town using tree boosting algorithm
چکیده انگلیسی مقاله Background & Objectives: Thyroid is a vital gland, which affect all of the body oragans such as heart, digestive system, kidney and so on. The intention of this research is to decreas in wrong determination of normal thyroid gland from abnormal using boosting algorithm. This algorithm is a powerful method in diagnosis and prognosis. It iteratively grows base classifer on a sequence of reweighted datasets then takes a linear combination of consequencs and we hope improves accuracy at final. Material & Methods: A total of 103 patients’ data corrolated to November 2010 until November 2011 from Shoushtar salamat laboratory were analyzed for detemination thyroid gland state. Conventional decision trees and boosting decision trees were made for diagnosis normal thyroid gland from abnormal thyroid gland using R softwere vedersion 3.0.1. Results: Our findings revealed that for conventional decision trees misclassification rate , sensitivity and specificity with test set were 0.088 , 0.91 and 0.92 respectively .However these figures considered by boosting desion trees were 0.029 , 0.955 and 1 crrespondingly. Conclution: The boosting decision trees had possibily superior sucsses in diagnosis normal tiroid gland ftom unnormal . So using boosting decisin trees propose in determination thyroid gland state.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فردوس محمدی بساتینی | f mohammadi basatini


بهزاد ریحانی نیا | b reyhani niya


نشانی اینترنتی http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-476&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/192/article-192-320074.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده علوم پایه
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات