طبقه‌بندي داده‌هاي نظرسنجي بيمارستان تأمين اجتماعي شهداي كارگر يزد با الگوريتم درخت تصميم

A Survey on Decision Tree Algorithms of Classification in Data Mining The SSO Martyred-Workers Hospital – Yazd Province

هدف: داده‌كاوي علم و تكنيك‌هايي است كه براي تجزيه‌وتحليل داده‌ها به‌منظور كشف و استخراج الگوهاي ناشناختۀ قبلي استفاده مي‌شود. همچنين، به‌عنوان بخش اصلي فرآيند كشف دانش در پايگاه‌هاي داده در نظر گرفته مي‌شود. هدف اصلي ما ساخت يك مدل طبقه‌بندي كارآمد با دقت بالا براي بهبود كارايي و اثربخشي است. روش: در اين مقاله يك تكنيك يادگيري نظارت‌شده به‌منظور ايجاد يك درخت تصميم براي داده‌هاي نظرسنجي بيمارستان تأمين اجتماعي شهداي كارگر يزد معرفي مي‌كنيم. هدف اصلي ساخت يك مدل طبقه‌بندي كارآمد با دقت بالا براي بهبود كارايي و اثربخشي فرآيند پذيرش است. براي ساخت درخت تصميم از الگوريتم CART و بسته rpart موجود در زبان برنامه‌نويسي R استفاده شده است و مدل نهايي با استفاده از روش‌هاي رايج ارزيابي، ارزيابي شد. نتيجه: طبق نتيجۀ به دست آمده، مهم‌ترين طبقه (از سمت راست) طبقۀ اول است؛ زيرا حدود 84 درصد از داده‌ها را شامل مي‌شود. اين طبقه نشان مي‌دهد كه اگر ميزان رضايت از پزشك بزرگتر يا مساوري 3 و همچنين، ميزان رضايت از كاركنان پذيرش بزرگتر يا مساوي 4 باشد، 84 درصد از مراجعه‌كنندگان در صورت نياز، مجدداً به بيمارستان مراجعه مي‌كنند.

Objective: Data mining consists of the science and techniques used to analyze data in order to discover and extract previously unknown patterns. It is also considered as a key part of the knowledge discovery process in databases. Our main goal is to build an efficient, high-precision classification model to improve efficiency and effectiveness. Method: In this paper, we introduce a supervised learning technique to create a decision tree for the survey data of the SSO Martyred-Workers Hospital in Yazd Province. The main goal is to build an efficient classification model with high accuracy to improve the efficiency and effectiveness of the admission process. To build the decision tree, we used the CART algorithm and the rpart package in the R programming language, and the final model was evaluated using common evaluation methods. Findings: The findings of this study showed special results with the help of which we were able to classify the available data, which is very important in managerial decisions. Conclusion: According to the result, the most important categories are (from the right) the first and third categories, respectively, because they comprise about 75% of our data.