چالش های داده کاوی در پزشکی - داده های افزونه و نویز

چالش های داده کاوی در پزشکی - داده های افزونه و نویز

آکادمی داده

۱۳۹۷/۰۳/۰۵


  • 159 بازدید

مسائل و چالش هایی در رابطه با پیاده سازی و بکارگیری داده کاوی در پزشکی وجود دارد که آن را متمایز از داده کاوی در سایر کاربردها می کند. آگاهی از این مسائل باعث بهبود و استفاده صحیح تر از داده کاوی در پزشکی شده و می تواند در جهت پشتیبانی تصمیم گیری ها و جلوگیری از بروز خطا یاری رساند. در ادامه به بررسی یکی از مشکلات چالش برانگیز در عرصه های مختلف داده کاوی پزشکی پرداخته می شود.

اصطلاح داده های افزونه به وضعیتی اشاره دارد که در آن دو یا تعداد بیشتری از اشیاء همانند هم هستند.

یکی از حالات خاص در رابطه با داده های افزونه، داده های نامرتبط است که برخی از اشیاء یا ویژگی ها با توجه به هدف مورد نظر از تحلیل داده ها، از هیچ اهمیتی برخوردار نیستند. مثلا می توان انتظار داشت که نام بیمار به بیماری قلبی وی مرتبط نباشد و در نتیجه آن را حذف کرد. مجموعه داده های پزشکی ممکن است حاوی داده های افزونه و نامرتبط باشند.

در این حالت نیاز به الگوریتم ها و ابزارهای داده کاوی خواهد بود که بتوانند این نوع داده ها را شناسایی و حذف نمایند.

نویز

نویز مقداری است که یک خطا یا انحراف تصادفی در ویژگی مورد سنجش باشد. برای یک تکنیک جمع آوری داده های پزشکی بسیار مشکل است که بتواند نویزها را در زمان جمع آوری داده ها، شناسایی و حذف کند. نویز می تواند خود را بعنوان یک مشکل جدید مطرح ساخته و فرایند استخراج دانش را با خطر مواجه سازد. بنابرین روش های داده کاوی می بایست به نحوی پیاده سازی شوند که کمتر به مقادیر نویز حساس باشند.

کاربرد داده کاوی در پزشکی، فرصت ها و چالش ها، طهماسبی

اگر به پژوهش در حوزه داده کاوی علاقه مند هستید توصیه می شود حتما مجموعه بی نظیر پانصد مقاله فارسی در زمینه داده کاوی  و مجموعه های مشابه آن و مقالات مرتبط با کاربرد داده کاوی در پیش بینی بیماری را تهیه بفرمایید.

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.  

افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.