چکیده فارسی :

اداره و رسیدگی حجم زیادی از داده های موجود در صنعت مراقبت های بهداشتی دشوار می باشد. از این رو، فرایند “استخراج” برای پیدا کردن الگوی لازم و رابطه بین ویژگی های موجود، ضروری می باشد. داده کاوی پزشکی، یک زمینه مهم تحقیقاتی است که در آن الگوریتم های تکاملی خوشه بندی، یک نقش حیاتی ایفا می کنند. در این کار پژوهشی، k-means برای از بین بردن داده های نویزی و الگوریتم های ژنتیک برای پیدا کردن مجموعه بهینه از ویژگی ها و ماشین بردار پشتیبان (SVM) به عنوان طبقه بندی کننده مورد استفاده قرار می گیرند. نتایج تجربی نشان می دهد که مدل پیشنهادی به دقت متوسط 98.79% برای کاهش مجموعه داده بیماران دیابتی “سرخپوستان پیما” که از مخزن UCI استخراج شده است دست می یابد. همچنین روش پیشنهادی نتایج بهتری در مقایسه با روش آماده سازی داده های مبتنی بر خوشه بندی k-means اصلاح شده با طبقه بندی SVM 96.71% به دست می آورد، همانطور که در مقاله توصیف شده است.

چکیده انگلیسی:

Vast amount of data available in health care industry is difficult to handle, hence mining is necessary to find the necessary pattern and relationship among the features available. Medical data mining is one major research area where evolutionary algorithms and clustering algorithms play a vital role. In this research work, K-Means is used for removing the noisy data and genetic algorithms for finding the optimal set of features with Support Vector Machine (SVM) as classifier for classification. The experimental result proves that, the proposed model has attained an average accuracy of 98.79 % for reduced dataset of Pima Indians Diabetes from UCI repository. It also shows that the proposed method has attained better results compared to modified K-Means clustering based data preparation method with SVM classifier (96.71 %) as described in the literature.