بهبود کارائی الگوریتم های یادگیری ماشین در پیش بینی بیماری های قلبی به کمک ساخت ویژگی های جدید مبتنی بر منطق فازی نوع ۲ بازه ای

امروزه بیماری قلبی یکی از مهم ترین بیماری های رایج بین افراد جامعه و یکی از مهم ترین علل مرگ و میر در سطح جهان می باشد. تشخیص و درمان این بیماری بخصوص با روش آنژیوگرافی بسیار هزینه بر و پر خطر برای جان بیمار است. بنابراین روش های هوش مصنوعی می تواند کمک شایانی به این حوزه پزشکی کند. هدف این پژوهش ساخت ویژگی های جدیدی با استفاده از تکنیک های فازی است تا به کمک این ویژگی های جدید بتوانیم مدلی هوشمند با دقت مناسب برای کمک به شناسایی و تشخیص بیماری قلبی با استفاده از روش ها و الگوریتم های یادگیری ماشین ارائه دهیم. در این تحقیق ۹ ویژگی جدید برای مجموعه داده قلب دانشگاه کلیولند کالیفرنیا ساخته شده است که این ویژگی ها تاثیر بسزایی در ساخت مدل های هوشمند دارند. برای ساخت مدل ها از الگوریتم های درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان استفاده شده است که الگوریتم جنگل تصادفی با دقت ۹۱.۸ % بالاترین دقت را دارد.

کلیدواژه ها:

بیماری قلب ، داده کاوی ، منطق فازی نوع ۲ ، درخت تصمیم ، ماشین بردار پشتیبان ، جنگل تصادفی ، میانگین وزنی زبان شناختی