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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ارزیابی کارایی تکنیک های طبقه بندی داده کاوی برای پیش بینی بیماری قلبی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۶ صفحه

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 همسای 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.

لغات کلیدی: داده کاوی | ماشین بردار پشتیبانی | نزدیکترین همسای k | شبکه عصبی مصنوعی | پیش بینی بیماری قلبی | تکنیک های طبقه بندی

عنوان انگلیسی:

Performance Evaluation of Data Mining Classification Techniques for Heart Disease Prediction

~~en~~ writers :

Md: Fazle Rabbi, Md: Palash Uddin, Md: Arshad Ali, Md: Faruk Kibria, Masud Ibn Afjal, Md: Safiqul Islam and Adiba Mahjabin Nitu

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%).

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

$$en!!