| LEADER |
04967nam a2200229 4500 |
| 001 |
1998390 |
| 041 |
|
|
|a eng
|
| 044 |
|
|
|b السودان
|
| 100 |
|
|
|a Abdallah, Hoyam Omer Ali
|e Author
|9 665888
|
| 245 |
|
|
|a Improving the Classification of Chronic Diseases Using the Naive Bayes Algorithm
|
| 260 |
|
|
|b مركز بحوث ودراسات دول حوض البحر الأحمر
|c 2022
|g فبراير
|m 1443
|
| 300 |
|
|
|a 145 - 152
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a يعد التصنيف اليدوي للمرض إلى فئات مختلفة بناء على مناطق المرضى السكنية مهمة شاقة وقد يختلف اعتمادا على السيناريو المدروس. لذلك تم استخدام خوارزمية التصنيف Naïve Bayesian القياسية بهدف تصنيف المرض بناء على عدة خصائص تمثل مناطقهم السكنية وإعدادهم فيها وللتنبؤ السريع السهل أيضا في عملية تصنيف المناطق الأكثر عرضة للإصابة بالمرض المزمن كما تكمن أهمية الدراسة في تقليل العمل اليدوي العادي. تم استخدام منهجية تركز على مشكلة توسيع نموذج بايز التقليدي الساذج لتصنيف البيانات غير المؤكدة. المشكلة الرئيسية في نموذج بايز الساذج هي تقدير الاحتمال الشرطي للفئة، وتقدير كثافة النواة هو طريقة شائعة لذلك امتدت طريقة تقدير كثافة النواة للتعامل مع البيانات غير المؤكدة. هذا يقلل المشكلة إلى اعتبار التكاملات المزدوجة. بالنسبة لوظائف النواة المحددة وتوزيعات الاحتمالية، يمكن تقييم التكامل المزدوج بشكل تحليلي لإعطاء صيغة مغلقة، مما يسمح بخوارزمية فعالة تعتمد على الصيغة بشكل عام، ومع ذلك، لا يمكن تبسيط التكامل المزدوج في أشكال مغلقة. في هذه الحالة، يتم اقتراح نهج قائم على العينة. كما تشير النتائج التجريبية الرائعة إلى أن طريقة التصنيف المقترحة يمكن أن تكون واعدة ويمكن تطبيقها في مكان آخر وتساعد في عملية التشخيص حسب منطقة المريض. تم استخدام خوارزمية Naïve base وذلك للتحقق من صحة الطريقة المقترحة تجريبياً لتكون دقيقة بنسبة 90 % ما يثبت كفاءتها.
|b Manual classification of disease into different classes based on residential patient areas is a tedious task and may vary depending on the scenario studied. Therefore, the standard Naïve Bayesian classification algorithm was used to classify the disease based on several characteristics that represent their residential areas and their numbers, and for quick and easy prediction also in the process of classifying the areas most susceptible to chronic disease, and the importance of the study lies in reducing the normal manual work. A methodology focused on the problem of extending the traditional naive Bayesian model was used to classify uncertain data. The main problem of the naive Bayes model is estimating the conditional probability of the class, and estimating the kernel density is a common method so the kernel density estimation method has been extended to deal with uncertain data. This reduces the problem to considering double integrals. For finite kernel functions and probability distributions, the double integral can be evaluated analytically to give a closed formula, allowing an efficient formula-dependent algorithm in general, however, double integral cannot be simplified in closed forms. In this case, a sample-based approach is proposed. The remarkable experimental results also indicate that the proposed classification method can be promising and can be applied elsewhere and help in the diagnosis process by patient area. The Naïve base algorithm was used to validate the proposed method experimentally to be 90% accurate, which proves its efficiency.
|
| 653 |
|
|
|a تصنيف الأمراض
|a التكاملات المزدوجة
|a التصنيف اليدوي
|a خوارزمية نايف بايز
|
| 692 |
|
|
|a التصنيف
|a المرضى
|a الأمراض المزمنة
|a نايف بايز
|b Classification
|b Patients
|b Chronic Diseases
|b NaïveBayes
|
| 700 |
|
|
|9 665891
|a Mohamed, Awad hassan
|e Co-Author
|
| 773 |
|
|
|4 العلوم الإنسانية ، متعددة التخصصات
|6 Humanities, Multidisciplinary
|c 009
|e Al Qulzum Scientific Journal
|l 013
|m ع13
|o 2155
|s مجلة القلزم العلمية
|v 000
|x 1858-9766
|
| 856 |
|
|
|u 2155-000-013-009.pdf
|
| 930 |
|
|
|d y
|p y
|q n
|
| 995 |
|
|
|a HumanIndex
|
| 999 |
|
|
|c 1248064
|d 1248064
|
