دانلود ترجمه مقاله ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی

knowledge-management
سال انتشار :
2018
تعداد صفحات مقاله انگلیسی :
6
نشریه :
AJER
تعداد رفرنس ها :
نوع مقاله :
مقاله ISI
کلمات کلیدی :
Tags: , Data Mining | SVM | KNN | ANN | Heart Disease Prediction | Classification Techniques
عنوان فارسی :

ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی

عنوان انگلیسی :

Performance Evaluation of Data Mining Classification Techniques for Heart Disease Prediction

وضعیت ترجمه :
انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
لینک مقاله :

سال انتشار : 2018

تعداد صفحات مقاله انگلیسی : 6

نشریه : AJER

تعداد رفرنس ها :

نوع مقاله : مقاله ISI

ترجمه : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید

کلمات کلیدی : Data Mining | SVM | KNN | ANN | Heart Disease Prediction | Classification Techniques

عنوان فارسی : ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی

عنوان انگلیسی : Performance Evaluation of Data Mining Classification Techniques for Heart Disease Prediction


14,000 تومان



چکیده انگلیسی
Heart disease might be one of the foremost causes to death. Because of the lack of skilled knowledge or experiences of real-life practitioners about heart failure symptoms for an early prediction, it is not an easy task to detect the disease. Consequently, computer-based prediction of heart disease may play a significant role as a pre-stage detection to take proper actions with a view to recovering from it. However, the choice of the proper data mining classification method can effectively predict the early stage of the disease for being recurred from it. In this paper, the three mostly used classification techniques such as support vector machine (SVM), k-nearest neighbor (KNN) and artificial neural network (ANN) have been studied with a view to evaluating them for heart disease prediction using Cleveland standard heart disease dataset. The experimental result shows that the classification accuracy using SVM (85.1852%) outperforms that of using KNN (82.963%) and ANN (73.3333%).

چکیده فارسی
بیماری قلبی ممکن است یکی از دلایل اصلی مرگ باشد. به علت فقدان دانش و تجربیات متخصصان درمورد علائم نارسایی قلب برای پیش بینی اولیه این بیماری، کار آسان برای تشخیص بیماری نیست. در نتیجه، پیش بینی مبتنی بر رایانه؛ مبتلایان به بیماری قلبی می تواند نقش مهمی را در تشخیص پیش از مرحله برای انجام اقدامات مناسب با توجه به بهبودی بیماران بازی کند. با این حال، انتخاب روش طبقه بندی مناسب داده کاوی می تواند به طور موثر پیش بینی مرحله اولیه بیماری را برای بازگشت از آن به همراه داشته باشد. در این مقاله، سه تکنیک طبقه بندی استفاده شده غالب از قبیل ماشین بردار پشتیبانی (SVM)، نزدیکترین همسایۀ k (KNN) و شبکه عصبی مصنوعی (ANN) را مورد بررسی قرار می دهیم، با توجه به ارزیابی آنها برای پیش بینی بیماری های قلبی با استفاده از مجموعه داده های بیماری کلیوی استاندارد مورد مطالعه قرار گرفته است.. نتایج تجربی نشان می دهد که دقت طبقه بندی با استفاده از SVM (85.1852٪) بهتر از استفاده از KNN (82663٪) و ANN (73.3333٪) است.


محتوی بسته : - فایل ورد (WORD) ترجمه فارسی مقاله به صورت قابل ویرایش و پرینت. - فاقد هرگونه تبلیغات و موارد اضافی.

14,000 تومان