%0 Journal Article %T -پیش بینی سرطان سینه با استفاده از روش خوشه‌بندی انتشار وابستگی با در نظر گرفتن وزن متغیرها %J مدیریت مهندسی و رایانش نرم %I دانشگاه قم %Z 2538-6239 %A دامی, سینا %A حاتم چوری, زینب %D 2020 %\ 09/22/2020 %V 6 %N 2 %P 69-81 %! -پیش بینی سرطان سینه با استفاده از روش خوشه‌بندی انتشار وابستگی با در نظر گرفتن وزن متغیرها %K خوشه‌بندی %K سرطان سینه %K ماشین بردار پشتیبان %K شبکه‌ی عصبی مصنوعی %K آزمون فرض ویلکاکسون %R 10.22091/jemsc.2018.1274 %X با استفاده از ابزارهای داده­کاوی در حوزه­ی تشخیص پزشکی محدودیت­هایی همچون هزینه­های بالای برخی از آزمایشات یا زمان­بر بودن آن­ها مرتفع می­گردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روش­های دسته­بندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روش­های خوشه­بندی و دسته­بندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشه­بندی انتشار وابستگی انجام می­شود. این روش با استفاده از یک الگوریتم ابتکاری وزن­هایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشه­های موزون تشکیل می­دهد. سپس شماره خوشه­ها به عنوان یک متغیر جدید به داده­ها افزوده شده و در مرحله­ی بعد، الگوریتم دسته­بند بر روی مجموعه داده­ی اصلاح شده حاوی داده­های اصلی و شماره­ی خوشه­ها اجرا می­گردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه می­یابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشه­بندی انتشار وابستگی با میانگین دقت 36/98 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکه­ی عصبی ترکیبی را نسبت به سایر روش­ها مورد تأیید قرار داده است. %U https://jemsc.qom.ac.ir/article_1274_2dc216d915e4337aa3fc8ebac5df5dc5.pdf