تشخيص بيماري هپاتيت با استفاده از تركيب الگوريتم K - Means و الگوريتم بهينه سازي علف هاي هرز

لزوم استفاده از الگوريتم هاي يادگير در پيش بيني و تشخيص بيماري به نحوي كه صحت و اعتبار عملكرد آن قابل تضمين باشد، مطالعات و تحقيقات جديد را به سوي دستيابي به راه كارهاي بهينه در هر دو زمينه پزشكي و دانش كامپيوتر رهنمون كرده است. در اين راستا بيوانفورماتيك علمي است كه توانسته اين همكاري را بين محققان اين دو رشته به نحو احسن فراهم آورد. براي خوشه بندي داده هاي بيماري هپاتيت بايستي به داده هاي بيماري هپاتيت دسترسي داشت. بر روي داده ها ابتدا با استفاده از شاخص مركزي ميانگين عمل پاكسازي داده ها صورت گرفته است سپس بعداز نرمال سازي به كمك الگوريتم تحليل تفكيكي فيشر تعداد 6 ويژگي از بين 19 ويژگي انتخاب و مدل پيشنهادي معرفي شده است، كه تركيبي از خوشه بند K - Means و الگوريتم بهينه سازي علف هاي هرز ميباشد و با اعمال آن بر روي پايگاه داده مذكور و مقايسه نتايج خوشه بندي آن با الگوريتم هاي بهينه سازي هوشمند ديگر نظير الگوريتم بهينه سازي ازدحام ذرات، الگوريتم بهينه سازي كلوني مورچگان، الگوريتم هاي K- Medoids و K- Means مي توان دريافت كه تركيب خوشه بند K - Means و الگوريتم بهينه سازي علفهاي هرز نه تنها دقت خوشه بندي را بالا مي برد بلكه قدرت تعميم دهي مدل را نيز افزايش مي دهد. نتايج استفاده از خوشه بند K-Means و الگوريتم بهينه سازي علف هاي هرز حاكي از دقت 100٪ در خوشه بندي داده هاي آزمايشي و 98.9 ٪در خوشه بندي داده هاي آموزشي است.