ارائه­ دهنده:

  اساتید راهنما:

دکتر ناصر مزینی

هیات داوران:
 دکتر بهروز مینایی
 دکتر مریم امیرمزلقانی
زمان:
سه شنبه ۱۴۰۰/۱۰/۷

ساعت ۱۶:۳۰
 

آقای سینا باقری نژاد دانشجوی کارشناسی ارشد جناب آقای دکتر ناصر مزینی روز سه شنبه ۷ دی ماه ساعت ۱۶:۳۰ از پروژه کارشناسی ارشد خود تحت عنوان "استفاده از روش های یادگیری ماشین جهت تعیین عوامل تأثیرگذار بر کاهش میزان مرگ و میر و زمان بستری بیماران مبتلا به کووید-۱۹ " دفاع خواهند نمود

چکیده پایان نامه:
در پژوهش پیش رو با جمع آوری داده‌های ۱۰۴۰ بیمار کووید-۱۹ بستری در ۳ بیمارستان در شهر­های تهران، بجنورد و رشت، به تحلیل آنها به منظور کشف عوامل تأثیرگذار بر فوت و مدت زمان بستری بیماران پرداخته‌ایم.
به منظور کشف عوامل مؤثر بر فوت بیماران، با استفاده از آموزش درخت تصمیم، ویژگی‌هایی که درخت تصمیم در جداسازی افراد فوت شده و بهبود یافته استفاده می‌کند را شناسائی کرده و سپس با کمک آزمون کولموگروف - اسمیرنوف بررسی کردیم که کدام ویژگی را می‌توان با اطمینان بالای ۹۵ درصد به عنوان ویژگی‌هایی بیان کرد که بین جامعه افراد فوت شده و بهبود یافته دارای توزیع متفاوتی هستند. با اینکار از بین ویژگی­های متعدد داده­ها، ۲۵ ویژگی شناسائی شدند. با توجه به اینکه این ویژگی­ها دارای توزیع متفاوتی در دو جامعه آماری هستند، این ویژگی­ها را می­توان ویژگی­های تأثیرگذار بر جداسازی این دو جامعه از یکدیگر معرفی کرد. لذا درخت تصمیم دیگری با این ویژگی­ها تعریف کردیم و نشان دادیم که درخت جدید عملکرد مشابهی با درخت تصمیمی که با همه ویژگی­ها آموزش دیده است دارد و اینگونه نشان دادیم که استفاده از آزمون فرضیه‌های آماری چگونه می‌تواند ویژگی‌هایی که در رده‌بندی داده‌ها مؤثر هستند را شناسائی کند و لذا به نوعی می‌تواند به عنوان یک انتخاب‌کننده ویژگی به منظور کاهش ابعاد داده از آن استفاده نمود.
در ادامه با همین روش ویژگی‌هایی که بر مدت‌زمان بستری بیماران تأثیرگذار هستند را شناسائی کرده‌ایم. اینبار از آزمون کراسکال-والیس برای تفاوت توزیع ویژگی­ها در کلاس­های مختلف افراد دوره بستری بیماران استفاده کردیم. ابتدا آزمون را با سطح اطمینان ۹۵ درصد انجام دادیم و ۵۴ ویژگی مؤثر بر دوره بستری بیماران را شناسائی کردیم. سپس با انجام آزمون با سطح اطمینان ۹۹ درصد تعداد ویژگی­ها را به ۳۶ کاهش دادیم و نشان دادیم که چگونه با افزایش سطح اطمینان آزمون فرضیه می­توان به ابعاد داده­ها را به طوری کاهش داد که ویژگی­هایی که تفاوت بیشتری بین رده­ها ایجاد می­کنند حفظ شوند. در ادامه درخت تصمیمی با این ۳۶ ویژگی آموزش دادیم و عملکرد آن را بررسی کردیم. در انتها دیدیم که درخت ساخته شده با این ۳۶ ویژگی تفاوتی از لحاظ عملکرد با درخت ساخته شده با تمام ویژگی­ها ندارد و بنابراین می­توان از روش­ آزمون­های آماری ناپارامتریک برای کاهش ابعاد داده­ها و انتخاب ویژگی­های موثر و متمایز کننده استفاده نمود. مزیت این روش انتخاب ویژگی در این است که ثابت می­شود ویژگی­های انتخاب شده با احتمال بالایی بین رده­های مختلف داده متفاوت هستند و بنابراین ویژگی­هایی که تفاوتی در رده­بندی ایجاد نمی­کنند با دقت بالایی حذف می­شوند.