انتخاب ویژگی بهینه سازی ازدحام ذره برای پیش بینی روی دادن دوباره سرطان سینه
تعداد کلمات فایل انگلیسی : 11 صفحه pdf
تعداد صفحات فایل ترجمه : 13 صفحه word فونت 14 B Nazanin تعداد کلمات:4990
خلاصه:زنانی که بعد از ابتلا به سرطان سینه بهبود یافته اند از ابتلای دوباره به آن می ترسند. تحمل درمان های طاقت فرسا مهمترین دلیلی است که روی دادن دوباره سرطان موجب بزرگترین ترس درآن ها است. هرچند پیشرفت های اخیر در تکنولوژی پیش بینی زود هنگام روی دادن دوباره می تواند به بیماران کمک کند تا درمان ها را به موقع دریافت نمایند. در دسترس بودن داده های وسیع و روش های پیشرفته پیشبینی های سریع و دقیق را ممکن می سازد. این مقاله صحت تعدادی از الگوریتم های داده کاوی موجود را در پیش بینی سرطان سینه مقایسه می کند. این یک تکنیک بهینه سازی ازدحام ذره را برای انتخاب کننده ویژگی به سه طبقه بندی کننده شناخته شده به نام های naive Bayes,
K-nearest neighbor, و fast decision tree یادگیرنده با افزایش میزان صحت مدل پیش بینی در برمی گیرد
ABSTRACT Women who have recovered from breast cancer (BC) always fear its recurrence. The fact that they have endured the painstaking treatment makes recurrence their greatest fear. However, with current advancements in technology, early recurrence prediction can help patients receive treatment earlier. The availability of extensive data and advanced methods make accurate and fast prediction possible. This research aims to compare the accuracy of a few existing data mining algorithms in predicting BC recurrence. It embeds a particle swarm optimization as feature selection into three renowned classifiers, namely, naive Bayes, K-nearest neighbor, and fast decision tree learner, with the objective of increasing the accuracy level of the prediction model. INDEX TERMS Breast cancer, recurrence, feature selection, REPTree, naïve Bayes, K-nearest neighbor, particle swarm optimization.
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
انتخاب ویژگی بهینه سازی ازدحام ذره برای پیش بینی روی دادن دوباره سرطان سینه
تعداد کلمات فایل انگلیسی : 11 صفحه pdf
تعداد صفحات فایل ترجمه : 13 صفحه word فونت 14 B Nazanin تعداد کلمات:4990
خلاصه:زنانی که بعد از ابتلا به سرطان سینه بهبود یافته اند از ابتلای دوباره به آن می ترسند. تحمل درمان های طاقت فرسا مهمترین دلیلی است که روی دادن دوباره سرطان موجب بزرگترین ترس درآن ها است. هرچند پیشرفت های اخیر در تکنولوژی پیش بینی زود هنگام روی دادن دوباره می تواند به بیماران کمک کند تا درمان ها را به موقع دریافت نمایند. در دسترس بودن داده های وسیع و روش های پیشرفته پیشبینی های سریع و دقیق را ممکن می سازد. این مقاله صحت تعدادی از الگوریتم های داده کاوی موجود را در پیش بینی سرطان سینه مقایسه می کند. این یک تکنیک بهینه سازی ازدحام ذره را برای انتخاب کننده ویژگی به سه طبقه بندی کننده شناخته شده به نام های naive Bayes,
K-nearest neighbor, و fast decision tree یادگیرنده با افزایش میزان صحت مدل پیش بینی در برمی گیرد
ABSTRACT Women who have recovered from breast cancer (BC) always fear its recurrence. The fact that they have endured the painstaking treatment makes recurrence their greatest fear. However, with current advancements in technology, early recurrence prediction can help patients receive treatment earlier. The availability of extensive data and advanced methods make accurate and fast prediction possible. This research aims to compare the accuracy of a few existing data mining algorithms in predicting BC recurrence. It embeds a particle swarm optimization as feature selection into three renowned classifiers, namely, naive Bayes, K-nearest neighbor, and fast decision tree learner, with the objective of increasing the accuracy level of the prediction model. INDEX TERMS Breast cancer, recurrence, feature selection, REPTree, naïve Bayes, K-nearest neighbor, particle swarm optimization.
دانلود رایگان مقاله انگلیسی