دوره 22، شماره 2 - ( 6-1404 )                   جلد 22 شماره 2 صفحات 96-79 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Azarnavid B, Abdolhosseinzadeh M, Emami H. Stacking machine learning model for classification and prediction of liver diseases. JSDP 2025; 22 (2) : 5
URL: http://jsdp.rcisp.ac.ir/article-1-1454-fa.html
آذرنوید بابک، عبدالحسین‌زاده محسن، امامی حجت. مدل یادگیری ماشین انباشته برای دسته‌بندی و پیش‌بینی بیماری‌های کبدی. پردازش علائم و داده‌ها. 1404; 22 (2) :79-96

URL: http://jsdp.rcisp.ac.ir/article-1-1454-fa.html

مدل یادگیری ماشین انباشته برای دسته‌بندی و پیش‌بینی بیماری‌های کبدی
بابک آذرنوید* ، محسن عبدالحسین‌زاده ، حجت امامی
دانشگاه بناب
چکیده:   (29 مشاهده)
بیماری‌های کبدی، به‌عنوان یکی از علل اصلی مرگ‌ومیر، تأثیر عمیقی بر زندگی افراد دارند و تشخیص آنها در مراحل اولیه بسیار حیاتی است. هدف این پژوهش، توسعه و ارزیابی مدل یادگیری ماشین انباشته (SML) برای تشخیص و پیش‌بینی دقیق بیماری‌های کبدی است. مدل SML با استفاده از ساختار دو لایه، الگوریتم‌های مختلف را ترکیب می‌کند تا مشکل بیش‌برازش را برطرف کرده و دقت پیش‌بینی را افزایش دهد. در لایه اول، چهار الگوریتم شامل درخت تصادفی نامحدود (ET)، درخت تصمیم (DT)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) برای پیش‌بینی اولیه استفاده می‌شوند. در لایه دوم، الگوریتم رگرسیون لجستیک (LR) بر اساس خروجی لایه اول آموزش داده می‌شود تا پیش‌بینی نهایی انجام شود. تنظیم پارامترها با الگوریتم جستجوی شبکه توری (GS) انجام شده است. داده‌های مورد استفاده شامل 615 نمونه داده با 12 ویژگی از پایگاه دانشگاه کالیفرنیا در ایروین است که 70% برای آموزش و 30% برای تست اختصاص‌یافته است. نتایج اعتبارسنجی متقابل k=5 نشان می‌دهد که مدل پیشنهادی با صحت 0.9940 و معیار F1 برابر 0.9880، عملکرد برتری نسبت به سایر روش‌ها دارد. این پژوهش می‌تواند به کاهش مرگ‌ومیر ناشی از بیماری‌های کبدی کمک شایانی کند.
شماره‌ی مقاله: 5
واژه‌های کلیدی: بیماری‌های کبد، تشخیص زودهنگام، یادگیری ماشین، مدل یادگیری ماشین انباشته، اعتبارسنجی متقابل
متن کامل [PDF 3016 kb]   (18 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1403/11/7 | پذیرش: 1404/4/30 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.