ارائه يك راهكار تركيبي داده كاوي مبتني بر تئوري دمپستر شافر براي تشخيص بيماري ديابت

Provides a solution Data mining Combination based on Dempster–Shafer theory for Diagnosis of Diabetes

امروزه پزشكان بيش از هر چيز با تكيه بر تجربيات و دانسته هاي خود، آزمايشات پيچيده و وقت گير به تشخيص بيماري ديابت پي مي برند. با اين وجود خطاهاي انساني اجتناب ناپذير است.در اين پژوهش روشي تركيبي براي تشخيص بيماري ديابت ارائه شده است چراكه يكي از مشكلات اساسي مربوط به اين بيماري عدم تشخيص به موقع و صحيح اين بيماري است. هدف از انجام اين پژوهش، ارائة ساز وكاري براي بهبود دقت در تشخيص بيماري ديابت مي باشد كه اين سازوكار بر اساس تجزيه و تحليل داده‌هاي ديتاست PID با استفاده از سيستم هاي داده كاوي انجام مي‌شود. بر اساس مطالعات انجام شده، ثابت شده است كه سيستم‌هاي يادگيري مركب نسبت به سيستم‌هاي ساده از دقت و عملكرد بهتري برخودار هستند. بنابراين در اين پژوهش از يك سيستم تركيبي داده كاوي مبتني بر دمپستر شافر براي تشخيص بيماري ديابت ارائه شده است كه در آن انتخاب ويژگي مبتني بر همبستگي پيرسون با استفاده از الگوريتم ژنتيك و از روش‌هاي طبقه بندي متداول مانند شبكه عصبي، درخت تصميم و ماشين بردار پشتيبان به عنوان سيستم‌هاي يادگيري پايه و براي تركيب طبقه بندها از تئوري دمپستر – شافر استفاده شده است. بر اساس نتايج آزمايش‌هاي انجام شده، روش پيشنهادي نسبت به سيستم‌هاي پايه از عملكرد بهتري برخوردار بوده بيماران ديابتي را با دقت بهتري از يكديگر تشخيص مي دهد. دقت در مجموعه داده از 87.24 % به 89.58 % رسيده است.