نیره زاغری

به دلیل پیچیدگی تصمیمات پزشکی، کاربرد سیستم های هوشمند برای پشتیبانی از این تصمیمات افزایش یافته است. در این پژوهش از قابلیت پنج الگوریتم مختلف ماشین بردار پشتیبان، درخت تصمیم گیری، نایو بیزین، نزدیک ترین همسایه و جنگل تصادفی، یک دسته بند ترکیبی ساخته شده که برای به دست آوردن نتیجه آرای این دسته بند، از رویکرد رأی گیری با توافق سطح بالا به منظور ارزیابی و پیش بینی استفاده می شود. با توجه به اهمیت درگیری اعضای بدن نسبت به بیماری التهاب روده، در ارزیابی و مقایسه نتایج به دست آمده، دسته بند ترکیبی پیشنهاد شده برای تفکیک دو نوع بیماری التهاب روده (کرون و کولیت) به درصد صحت بالاتری دست یافته است. نتیجه پژوهش و مقایسه روش ها با توجه به آزمایش های انجام شده نشان داد، بالاترین صحت پیش بینی (98 درصد) در دسته بندی ترکیبی پیشنهادشده (رأی گیری با توافق سطح بالا) به دست آمده است. در گام آخر، مدل ساخته شده با استفاده از نمودار مشخصه های عامل گیرنده ROC ارزیابی شد و مساحت زیر نمودار AUC به دست آمد.

یکی از پیامدهای مهم گسترش اینترنت در عصر حاضر، پیدایش وبگاه های تجارت الکترونیکی است؛ اما تنوع اقلام عرضه شده می تواند انتخاب محصولات مناسب را برای مشتریان به فرایند پیچیده ای تبدیل کند. شرکت ها برای رفع این مشکل استفاده از سیستم های پیشنهاددهنده را توصیه می کنند. به دلیل درصد زیاد خطا در پالایش و ارائه پیشنهادها، معمولاً در این گونه سیستم ها از چند روش پایه برای پیشنهاد اقلام مورد علاقه کاربر استفاده می شود. روش پالایش همکارانه، یکی از موفق ترین روش های به کاررفته در این سیستم هاست؛ اما استفاده از این روش با افزایش تعداد کاربران و محصولات، مجموعه را با مشکلاتی مانند ناتوانی در پاسخگویی به نیازهای کاربران جدید و تُنُکی داده مواجه می کند. به منظور رفع مشکل یادشده، در این پژوهش روش جدیدی معرفی شده است که با ادغام زمان نرخ دهی کاربران با معیار شباهت یابی پیرسون و همچنین ادغام تکنولوژی های معنایی و شبکه اجتماعی، راه حلی برای کاهش مشکل کاربران جدید و تنکی داده ها ارائه می کند. نتایج پیاده سازی الگوریتم ها نشان می دهد رویکرد ارائه شده عملکرد بهتر و صحت بیشتری دارد و پیش بینی های آن با سلیقه کاربران همخوانی بیشتری دارد.