XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tapak L, Shirmohammadi Khorram N, Hamidi O, Maryanaji Z. Predicting the Frequency of Human Brucellosis using Climatic Indices by three Data Mining Techniques of Radial Basis Function, Multilayer Perceptron and Nearest Neighbor: A comparative study. irje. 2018; 1111
URL: http://irje.tums.ac.ir/article-1-5886-fa.html
تاپاک لیلا، شیرمحمدی نسرین، حمیدی امید، مریانجی زهره. پیش‌بینی تعداد موارد بروسلوزبر اساس پارامترهای اقلیمی با استفاده از روش‌های داده‌کاوی شبکه‌های عصبی مصنوعی پرسپترون چند لایه، تابع پایه شعاعی و نزدیکترین همسایگی: یک مطالعه مقایسه‌ای. مجله اپیدمیولوژی ایران. 1396; 1111 ()

URL: http://irje.tums.ac.ir/article-1-5886-fa.html


1- کارشناس ارشد آمارزیستی، گروه آمارزیستی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، همدان، ایران ، n.shirmohamadi.kh@gmail.com
2- مربی، گروه علوم پایه، دانشگاه صنعتی همدان، همدان، ایران
3- استادیار، گروه جغرافیا، دانشگاه سیدجمال الدین اسدآبادی، اسدآباد، همدان، ایران
چکیده:   (445 مشاهده)
مقدمه و اهداف: شناسایی مدل‏های آماری دارای پیش‏بینی‏های دقیق در تعیین دقیق و به هنگام طغیان بیماری‏های عفونی در نظام مراقبت بهداشتی این بیماری‏ها بسیار با اهمیت است. این مطالعه با هدف ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین  در مدل‏سازی و پیش‏بینی سری زمانی بروسلوز بر اساس پارامترهای اقلیمی انجام شد.
روش کار: در این مطالعه موارد بروسلوز انسانی و پارامترهای اقلیمی به صورت  ماهانه، در طول 12 سال (1395-1383) از استان همدان واقع در غرب ایران تحلیل شد. داده‏ها به دو زیرمجموعه آموزش (80%) و آزمون (20%) تقسیم شد. روش‏های تابع پایه شعاعی و چند لایه پروسپترون و نزدیکترین همسایه سری زمانی به هر زیرمجموعه برازش شد. ارزیابی عملکرد مدل‏ها با استفاده از معیارهای RMSE، MAE، MRAE، R2  و  ICCانجام شد.
یافته‏ها: نتایج نشان داد که مقادیر معیارهای RMSE (79/23)،  MAE(56/20)، MRAE (25/0) برای مدل شبکه عصبی چند لایه پرسپترون کوچکتر از مقادیر آن‏ها در دو مدل دیگر بود. همچنین، در این مدل مقادیر بزرگتری برای معیارهایR2 (61/0) و ICC (75/0) به دست آمد. بنابراین مدل شبکه عصبی چند لایه پرسپترون در پیش‏بینی داده‏های مورد مطالعه عملکرد بهتری داشت. دما نسبت به سایر پارامترهای اقلیمی مؤثرترین عامل در بروز این بیماری بود.
نتجه‏گیری: شبکه عصبی چندلایه پرسترون می‏تواند به عنوان یک روش کارا برای تشخیص رفتار روند بروسلوز در طول زمان به کار رود. با این حال مطالعات بیشتری با هدف کاربرد و مقایسه این‏ روش‏ها برای شناسایی مناسب‏ترین روش پیش‏بینی روند این بیماری مورد نیاز است.
     
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۶/۱۲/۱۴ | پذیرش: ۱۳۹۶/۱۲/۱۴ | انتشار: ۱۳۹۶/۱۲/۱۴

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله تخصصی اپیدمیولوژی ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Iranian Journal of Epidemiology

Designed & Developed by : Yektaweb