fa یک مدل طبقه بندی ترکیبی برای تشخیص سرطان پستان با استفاده از پشته تعمیم یافته داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><strong>مقدمه:</strong> سرطان پستان یکی از رایج‌ترین انواع سرطان‌ها است و رشد قابل ملاحظه‌ای از آن در سال‌های اخیر گزارش شده است. به منظور تشخیص این بیماری، پارامترهای زیادی باید بررسی گردد که خطاهای انسانی و یا عوامل محیطی امکان اشتباه را ممکن می‌کند. به همین دلیل در چند دهه اخیر از هوش مصنوعی برای تشخیص این بیماری در جهت کمک به پزشکان استفاده می‌شود.<br> <strong>روش:</strong> در این مطالعه توصیفی-کاربردی، تشخیص بیماری سرطان پستان با استفاده از پشته تعمیم یافته در قالب یک مدل ترکیبی مبتنی بر سه روش شبکه عصبی <span dir="LTR">MLP</span>، درخت تصمیم <span dir="LTR">ID3</span> و ماشین بردار پشتیبان ارائه ‌شد. برای بهبود عملکرد مدل طبقه‌بندی ترکیبی از یک رویکرد جدید تحت عنوان بلاک جداکننده استفاده شد. این بلاک وظیفه تشخیص نمونه‌هایی را دارد که باعث ایجاد خطا در مدل طبقه‌بندی می‌شوند.<br> <strong>نتایج</strong><strong>:</strong> به منظور ارزیابی دقت روش پیشنهادی از پایگاه داده ویسکانسین مرتبط با بیماری سرطان پستان استفاده شد. نتایج آزمایش‌ها برتری روش پیشنهادی را در مقابل سایر روش‌های مشابه نشان داد. دقت مدل طبقه‌بندی ارائه شده روی مجموعه داده‌های <span dir="LTR">WBCD</span>، <span dir="LTR">WDBC</span> و <span dir="LTR">WPBC</span> از پایگاه داده ویسکانسین به ترتیب &nbsp;99/54%، 99/58% و 99/84% بود.<br> <strong><span dir="RTL">نتیجه‌گیری:</span></strong> <span dir="RTL">با استفاده از الگوریتم</span><span dir="RTL">‌</span><span dir="RTL">های داده</span><span dir="RTL">‌</span><span dir="RTL">کاوی می</span><span dir="RTL">‌</span><span dir="RTL">توان سیستم</span><span dir="RTL">‌</span><span dir="RTL">های نوین و با صرفه</span><span dir="RTL">‌</span><span dir="RTL">تری در نظام سلامت و درمان ارائه کرد که با دقت بالایی قادر به تشخیص سرطان پستان باشند. در این تحقیق ضمن تشخیص بیماری به کمک روش</span><span dir="RTL">‌</span><span dir="RTL">های داده‌کاوی، توانست با استفاده از تکنیک پشته تعمیم یافته به دقت بالایی در تشخیص بیماری دست یابد.</span></span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Breast cancer is one of the most common types of cancer whose incidence has increased dramatically in recent years. In order to diagnose this disease, many parameters must be taken into consideration and mistakes are possible due to human errors or environmental factors. For this reason, in recent decades, Artificial Intelligence has been used by medical practitioners to diagnose this disease.<br> <strong>Method: </strong>In this applied-descriptive study, the diagnosis of breast cancer using stacked generalization was presented in the form of an ensemble model based on MLP neural network, ID3 decision tree, and support vector machine methods. To improve the performance of the ensemble classification model, a new approach called separator block was used. This block is responsible for identifying instances that cause errors in the classification model.<br> <strong>Results:</strong> In order to evaluate the accuracy of the proposed method, the Wisconsin database for breast cancer was used. The experimental results showed the superiority of the proposed method over other similar methods. The accuracy of the classification model presented on the WBCD, WDBC, and WPBC datasets from the Wisconsin database was 99.54%, 99.58% and 99.84%, respectively.<br> <strong>Conclusion</strong>: Data mining algorithms can provide new and more cost-effective systems in the field of health and treatment that can diagnose breast cancer with high accuracy. In this study, modeling based on the stacked generalization technique was of high accuracy in the diagnosis of breast cancer.</span></span></div> پشته تعمیم یافته, طبقه‌بندی داده‌ها, پایگاه داده ویسکانسین, داده کاوی, سرطان پستان Stacked Generalization, Data Classification, Wisconsin Database, Data Mining, Breast Cancer 102 112 http://jhbmi.ir/browse.php?a_code=A-10-534-1&slc_lang=fa&sid=1 Mahyar Ashayeri ماهیار عشایری m.ashayeri1988@gmail.com 10031947532846005947 10031947532846005947 Yes M.Sc. in Computer Engineering, Computer Engineering Dept., Bushehr Branch, Islamic Azad University, Bushehr, Iran کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران Amin Rezaeipanah امین رضایی پناه amin.rezaeipanah@gmail.com 10031947532846005948 10031947532846005948 No M.Sc. in Computer Engineering, Computer Engineering, Dept., University of Rahjuyan Danesh Borazjan, Bushehr, Iran کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، مؤسسه آموزش عالی رهجویان دانش برازجان، بوشهر، ایران