TY - JOUR ID - 1274 TI - -پیش بینی سرطان سینه با استفاده از روش خوشه‌بندی انتشار وابستگی با در نظر گرفتن وزن متغیرها JO - مدیریت مهندسی و رایانش نرم JA - JEMSC LA - fa SN - 2538-6239 AU - دامی, سینا AU - حاتم چوری, زینب AD - استادیار، گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، AD - دانش‌آموخته کارشناسی ارشد، گروه کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، Y1 - 2020 PY - 2020 VL - 6 IS - 2 SP - 69 EP - 81 KW - خوشه‌بندی KW - سرطان سینه KW - ماشین بردار پشتیبان KW - شبکه‌ی عصبی مصنوعی KW - آزمون فرض ویلکاکسون DO - 10.22091/jemsc.2018.1274 N2 - 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. UR - https://jemsc.qom.ac.ir/article_1274.html L1 - https://jemsc.qom.ac.ir/article_1274_2dc216d915e4337aa3fc8ebac5df5dc5.pdf ER -