دوره 14، شماره 2 - ( دوره 14، شماره 2، 1397 )                   جلد 14 شماره 2 صفحات 153-165 | برگشت به فهرست نسخه ها

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; 14 (2) :153-165
URL: http://irje.tums.ac.ir/article-1-6038-fa.html
تاپاک لیلی، شیر محمدی خرم نسرین، حمیدی امید، مریانجی زهره. پیش‌بینی تعداد موارد بروسلوز براساس پارامترهای اقلیمی با استفاده از روش‌های داده کاوی شبکه‌های عصبی مصنوعی پرسپترون چند لایه، تابع پایه شعاعی و نزدیک‌ترین همسایگی. مجله اپیدمیولوژی ایران. 1397; 14 (2) :153-165

URL: http://irje.tums.ac.ir/article-1-6038-fa.html


1- استادیار، گروه آمار زیستی، دانشکده بهداشت و مرکز تحقیقات مدل‌سازی بیماری‌های غیر واگیر، دانشگاه علوم پزشکی همدان، همدان، ایران
2- کارشناس ارشد آمار زیستی، گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، همدان، ایران ، n.shirmohammadi@edu.umsha.ac.ir
3- مربی، گروه علوم پایه، دانشگاه صنعتی همدان، همدان، ایران
4- استادیار، گروه جغرافیا، دانشگاه سیدجمال‌الدین اسدآبادی، همدان ،اسدآباد، ایران
چکیده:   (152 مشاهده)

مقدمه و اهداف: شناسایی مدل‏های آماری دارای پیش‏بینی‏های دقیق در تعیین دقیق و به‌هنگام 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 به‌صورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ایران تحلیل شد. داده‏ها به دو زیرمجموعه آموزش (80 درصد) و آزمون (20 درصد) 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 ICC انجام شد.
یافته‌ها: نتایج نشان داد که مقادیر معیارهای (79/23)RMSE، (56/20)MAE، (25/0)MRAE برای مدل شبکه عصبی چند لایه پرسپترون کوچک‌تر از مقادیر آن‏ها در دو مدل دیگر بود. هم‌چنین، در این مدل مقادیر بزرگ‌تری برای معیارهای (61/0)R2 و (75/0)ICC به‌دست آمد. بنابراین مدل شبکه‌ی 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.
نتیجه‌گیری: شبکه عصبی چندلایه پرسترون می‏تواند به‌عنوان 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.
متن کامل [PDF 1902 kb]   (48 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۷/۷/۴ | پذیرش: ۱۳۹۷/۷/۴ | انتشار: ۱۳۹۷/۷/۴

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

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