پروژه تشخیص بیماری قلبی با بیز ساده Naive Bayes

تشخیص بیماری قلبی با بیز ساده یا Naive Bayes ، در این ساعت از مطلب دی ال پروژه تشخیص بیماری قلبی با Naive Bayes را برای دانلود قرار داده ایم.در این پروژه هدف بررسی کارایی داده‌کاوی در تشخیص بیماری‌های قلبی می‎باشد.
در این پروژه با استفاده از ابزار طبقه بند بیز ساده (Naive Bayes classifier) ، برای تشخیص بیماری‌های قلبی استفاده شد. برای بررسی کارایی از مجموعه داده بیماری‌‌های قلبی که در پایگاه داده UCI موجود می‎باشد استفاده شده است.

تشخیص بیماری قلبی با بیز ساده

بیماری قلبی

بیماریهای قلبی عروقی مهمترین بیماری دوران سالمندی شامل بیماری پیشرونده‌ای است که از دوران کودکی آغاز و تظاهر بالینی خود را به طور عمده در بزرگسالی از میانسالی به بعد آشکار می‌کند.

دگرگونی‌های سریع اقتصادی، اجتماعی دهه‌های اخیر در بسیاری از کشورهای شرق مدیترانه و خاورمیانه از جمله ایران موجب شده است که بیماری‌های قلبی عروقی یک مشکل عمده بهداشتی و اجتماعی به شمار آید که ابعاد آن به سرعت در حال افزایش است. این بیماری علت اصلی مرگ و میر در سراسر جهان بوده که هر ساله ۱۷ میلیون نفر را به کام مرگ می‌فرستد (یک مرگ از سه مرگ) و اگر تا سال ۲۰۲۰ اقدام پیشگیرانه خاصی انجام نگیرد این تعداد به ۸/۲۴ میلیون نفر خواهد رسید… (اطلاعات بیشتر در رابطه با بیماری قلبی در گزارش پروژه به صورت مفصل آورده شده است).

مجموعه داده مورد استفاده برای پروژه تشخیص بیماری قلبی با بیز ساده

مجموعه داده مورد استفاده در پروژه تشخیص بیماری قلبی با Naive Bayes مجموعه داده Heart Disease Data Set است. این مجموعه داده شامل ۲۹۹ نمونه است. این پایگاه داده ۷۶ صفت خام دارد در حالی ‌که همه‌ی آزمایشات فقط بر روی ۱۳ صفت از آن‌ها انجام شده‌است. بنابراین، این پایگاه داده شامل ۱۳ علائم بیماری و یک صفت تشخیص است که فیلد هدف به وجود بیماری قلبی بر اساس علائم موجود در بیمار اشاره دارد که یک مقدار عددی ۱(عدم وجود بیماری) یا ۲(وجود بیماری) است… (اطلاعات بیشتر در رابطه با مجموعه داده در گزارش پروژه به صورت مفصل آورده شده است).

طبقه‌بند بیز ساده

قضیه بیز اصلی‌ترین سنگ بنای یادگیری بیزی می‌باشد، زیرا روشی برای محاسبه احتمال پسین P(H|X)  را از احتمال پیشین  P(H) به همراه  P(X) و  P(X|H) فراهم می‌آورد. فرض کنیم  X یک نمونه داده باشد که برچسب کلاس آن نا مشخص است و H این فرض باشد که نمونه داده ی X متعلق به کلاس  C است. ما در کلاسه بندی، به دنبال  P(H|X) هستیم. یعنی احتمال درستی فرض  H به شرط مشاهده ی داده ی اموزشی X. P(H|X) احتمال پسین  H نام دارد. بدین علت که بیانگر اطمینان ما از فرض H  پس از مشاهده داده‌ی  X می‌باشد.

از  P(H) برای بیان احتمال اولیه‌ای که فرض H درست است استفاده می‌کنیم، پیش از انکه داده‌های اموزشی را دیده باشیم.  P(H) را عموماً احتمال پیشین می‌نامند و بیانگر هر دانش پیشینی می‌باشد که در مورد شانس درستی فرض  Hسخن می‌گوید. اگر هیچ دانش اولیه‌ای از مفروضات نداشته باشیم می‌توانیم یک احتمال یکسان به کل فضای مفروضات  Hاختصاص دهیم. به طور مشابه از  P(X) برای بیان احتمال پیشین که داده‌ی  X مشاهده می‌شود استفاده می‌کنیم (به عبارت دیگر احتمال مشاهده  X به شرط اینکه هیچ دانشی در مورد درستی مفروضات موجود نباشد). همچنین از  P(X|H) برای بیان احتمال  X در دنیایی که فرض H صادق است استفاده می‌کنیم .

روش اجرای تحقیق و نتایج به دست آمده

برای پیاده سازی روش پیشنهادی در این پروژه از نرم‌افزار متلب استفاده شده است. این نرم‌افزار توانایی بالایی در کارهای داده کاوی دارد.

همچنین بخوانید: طراحی سیستم تشخیص خطا برای فرآیند TEP با استفاده از ترکیب داده و روش بیزین و نزدیکترین همسایه بر مبنای PCA

قیمت پروژه : ۴۰۰۰۰ تومان

حجم : ۴۵۰ کیلوبایت
منبع : مطلب دی ال
رمز فایل : www.matlabdl.com