جبران داده‌های مفقود پزشکی با ترکیب شبکه بیزین و ماشین یادگیری مفرط

مجله فناوری اطلاعات در طراحی مهندسی

دوره 16، شماره 1، شهریور 1402   

نوع مقاله: مقاله پژوهشی

نویسندگان

الهه صباحی¹؛ سید محمد حسین معطر^{* 2}؛ رضا شیبانی³

¹گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

²هیات علمی گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد مشهد

³گروه نرم افزار، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد مشهد.

چکیده

شبکه بیزین یکی از توانمندترین روش‌ها در تخمین داده‌های مفقود است. از طرفی ماشین یادگیری مفرط به‌طور تحلیلی وزن‌های خروجی‌های بهینه را محاسبه می‌کند و این امیدواری وجود دارد که در مورد داده‌های مفقود، به‌عنوان یک مدل خوب عمل کند. مهمترین چالش بسیاری از روش‌های تخمین مقادیر مفقود این است که ماهیت این روش‌ها عمدتا برای داده‌ها با مقادیر پیوسته یا داده ها با مقادیر گسسته مناسب است. شبکه بیزین و ماشین یادگیری مفرط نیز از این قاعده مستثنا نیستند و به ترتیب برای پر کردن مقادیر مفقود گسسته و مقادیر مفقود پیوسته مناسب‌ترند. لذا در این پژوهش از ترکیب این دو مدل جهت تخمین داده‌های مفقود مخلوط در مجموعه داده هپاتیت استفاده شده و در نهایت دسته بندی بر اساس شبکه بیزین جهت تخمین کلاس خروجی انجام شده است. روش پیشنهادی بر اساس معیارهای دقت، فراخوانی، صحت و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج نشان داد، جبران داده‌های مفقود با ترکیب BN-ELM و طبقه‌بندی بر اساس شبکه بیزین صحت بالایی کسب کرده است. همچنین روش پیشنهادی با سایر روش‌های تخمین داده، بر اساس طبقه بندهای BN، ELM و KNN مورد مقایسه قرار گرفت و نتایج برتری روش پیشنهادی را نشان می دهد.

کلیدواژه‌ها

تخمین مقادیر مفقود؛ تشخیص بیماری هپاتیت؛ شبکه بیزین؛ ماشین یادگیری مفرط