Data mining concerns theories, meth

Data mining concerns theories, methodologies, and in particular, computer systems for knowledge extraction or mining from large amounts of data. Association rule mining is a general purpose rule discovery scheme. It has been widely used for discovering rules in medical applications. The diagnosis of diseases is a significant and tedious task in medicine. The detection of heart disease from various factors or symptoms is an issue which is not free from false presumptions often accompanied by unpredictable effects. Thus the effort to utilize knowledge and experience of numerous specialists and clinical screening data of patients collected in databases to facilitate the diagnosis process is considered a valuable option. In this paper, we presented an efficient approach for the prediction of heart attack risk levels from the heart disease database. Firstly, the heart disease database is clustered using the K-means clustering algorithm, which will extract the data relevant to heart attack from the database. This approach allows mastering the number of fragments through its k parameter. Subsequently the frequent patterns are mined from the extracted data, relevant to heart disease, using the MAFIA (Maximal Frequent Itemset Algorithm) algorithm. The machine learning algorithm is trained with the selected significant patterns for the effective prediction of heart attack. We have employed the ID3 algorithm as the training algorithm to show level of heart attack with the decision tree. The results showed that the designed prediction system is capable of predicting the heart attack effectively.

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลเกี่ยวข้องกับทฤษฎี วิธีการ และโดยเฉพาะ ระบบคอมพิวเตอร์การสกัดความรู้หรือการทำเหมืองแร่จากข้อมูลจำนวนมาก เหมืองแร่กฎความสัมพันธ์เป็นแบบค้นหากฎทั่วไป มันได้ถูกใช้สำหรับกฎการออกสำรวจในโปรแกรมประยุกต์ทางการแพทย์ การวินิจฉัยโรคเป็นงานสำคัญ และน่าเบื่อยา การตรวจพบโรคหัวใจจากปัจจัยต่าง ๆ หรืออาการไม่ฟรีจาก presumptions เท็จมักจะตามมา โดยผลที่คาดเดาไม่ได้ ดังนั้น ความพยายามในการใช้ความรู้และประสบการณ์ของผู้เชี่ยวชาญจำนวนมากและข้อมูลการตรวจทางคลินิกของผู้ป่วยที่เก็บไว้ในฐานข้อมูลเพื่อช่วยในการวินิจฉัยจะถือเป็นตัวเลือกที่มีคุณค่า ในเอกสารนี้ เรานำเสนอวิธีการมีประสิทธิภาพสำหรับทำนายระดับความเสี่ยงหัวใจวายจากฐานข้อมูลโรคหัวใจ ประการแรก ฐานข้อมูลโรคหัวใจจะจับกลุ่ม K หมายถึงระบบคลัสเตอร์อัลกอริทึม ซึ่งจะแยกข้อมูลที่เกี่ยวข้องกับหัวใจวายจากฐานข้อมูล โดยใช้ วิธีการนี้ทำให้จำนวนของชิ้นส่วนผ่านพารามิเตอร์ k ของการเรียนรู้ ต่อมารูปแบบบ่อยที่ขุดจากข้อมูลแยก เกี่ยวข้องกับโรคหัวใจ การใช้อัลกอริทึมมาเฟีย (สูงสุดบ่อย ๆ Itemset อัลกอริทึม) อัลกอริทึมการเรียนรู้เครื่องคือการฝึกอบรม มีรูปแบบสำคัญที่เลือกสำหรับทำนายประสิทธิภาพของหัวใจวาย เราได้รับการว่าจ้างอัลกอริทึม ID3 เป็นอัลกอริทึมการฝึกเพื่อแสดงระดับของหัวใจวายกับต้นไม้การตัดสินใจ ผลลัพธ์แสดงให้เห็นว่า ระบบคาดเดาออกแบบมีความสามารถในการคาดการณ์หัวใจวายได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลที่เกี่ยวข้องกับทฤษฎีวิธีการและโดยเฉพาะอย่างยิ่งระบบคอมพิวเตอร์สำหรับการสกัดความรู้หรือการทำเหมืองแร่จากข้อมูลจำนวนมาก สมาคมการทำเหมืองแร่การปกครองเป็นวัตถุประสงค์ทั่วไปการค้นพบรูปแบบการปกครอง มันได้รับการใช้กันอย่างแพร่หลายสำหรับการค้นพบกฎในการใช้งานทางการแพทย์ การวินิจฉัยของโรคเป็นงานที่มีความสำคัญและน่าเบื่อในการแพทย์ การตรวจจับการเกิดโรคหัวใจจากปัจจัยต่างๆหรือมีอาการเป็นปัญหาที่ไม่ได้เป็นอิสระจากสมมติฐานที่ผิดพลาดมักตามมาด้วยผลกระทบที่คาดเดาไม่ได้ ดังนั้นความพยายามที่จะใช้ประโยชน์จากความรู้และประสบการณ์ของผู้เชี่ยวชาญจำนวนมากและการคัดกรองข้อมูลที่คลินิกของผู้ป่วยเก็บในฐานข้อมูลเพื่ออำนวยความสะดวกในขั้นตอนการวินิจฉัยก็ถือว่าเป็นตัวเลือกที่มีคุณค่า ในบทความนี้เราจะนำเสนอวิธีการที่มีประสิทธิภาพสำหรับการคาดการณ์ของระดับความเสี่ยงหัวใจวายจากฐานข้อมูลการเกิดโรคหัวใจ ประการแรกฐานข้อมูลโรคหัวใจเป็นคลัสเตอร์ที่ใช้ K-หมายถึงขั้นตอนวิธีการจัดกลุ่มซึ่งจะดึงข้อมูลที่เกี่ยวข้องกับโรคหัวใจวายจากฐานข้อมูล วิธีการนี​​้จะช่วยให้การเรียนรู้จำนวนของชิ้นส่วนผ่าน k พารามิเตอร์ ต่อมารูปแบบบ่อยครั้งที่ขุดได้จากข้อมูลที่แยกแล้วที่เกี่ยวข้องกับการเกิดโรคหัวใจโดยใช้ MAFIA (สูงสุดบ่อย Itemset Algorithm) อัลกอริทึม ขั้นตอนวิธีการเรียนรู้ของเครื่องได้รับการฝึกฝนอย่างมีนัยสำคัญที่มีรูปแบบที่เลือกสำหรับการคาดการณ์ที่มีประสิทธิภาพของอาการหัวใจวาย เรามีการจ้างงานขั้นตอนวิธี ID3 เป็นขั้นตอนวิธีการฝึกอบรมที่จะแสดงระดับของอาการหัวใจวายกับต้นไม้การตัดสินใจ ผลการศึกษาพบว่าระบบการทำนายการออกแบบที่มีความสามารถในการคาดการณ์หัวใจวายได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

การทําเหมืองข้อมูลเกี่ยวกับทฤษฎี ระเบียบวิธีวิจัย และโดยเฉพาะอย่างยิ่ง ระบบคอมพิวเตอร์สำหรับการสกัดความรู้หรือเหมืองแร่จากจำนวนมากของข้อมูล สมาคมการปกครองเหมืองแร่เป็นวัตถุประสงค์ทั่วไปกฎการค้นพบโครงการ มันถูกใช้อย่างกว้างขวางสำหรับการค้นพบกฎที่ใช้ในทางการแพทย์ การวินิจฉัยของโรคเป็นสำคัญ และน่าเบื่องานในการแพทย์การตรวจหาโรคหัวใจจากปัจจัยต่าง ๆ หรืออาการที่เป็นปัญหาที่ไม่ได้ฟรีจากข้อสันนิษฐานที่ผิดมักจะมาพร้อมกับผลกระทบที่คาดเดาไม่ได้ ดังนั้น ความพยายามที่จะใช้ประโยชน์จากความรู้และประสบการณ์ของผู้เชี่ยวชาญจำนวนมากและคัดกรองข้อมูลคลินิกของผู้ป่วยที่เก็บในฐานข้อมูลเพื่ออำนวยความสะดวกในกระบวนการวินิจฉัย ก็ถือว่าเป็นทางเลือกที่มีคุณค่า ในกระดาษนี้เรานำเสนอแนวทางที่มีประสิทธิภาพในการทำนายความเสี่ยงของหัวใจวายจากโรคหัวใจระดับฐานข้อมูล ประการแรก โรคหัวใจ ฐานข้อมูลเป็นแบบใช้ k-means clustering algorithm ซึ่งจะดึงข้อมูลที่เกี่ยวข้องกับโรคหัวใจ จากฐานข้อมูล วิธีนี้ช่วยให้ต้นจำนวนเศษ ผ่าน K พารามิเตอร์ต่อมารูปแบบบ่อยจะขุดมาจากแยกข้อมูลที่เกี่ยวข้องกับโรคหัวใจ ใช้มาเฟีย ( อัลกอริทึม itemset บ่อยมาก ) ขั้นตอนวิธี มีอัลกอริทึมที่ผ่านการอบรมกับทางที่เลือกรูปแบบสำหรับการทำนายประสิทธิภาพของการโจมตีหัวใจเราใช้ขั้นตอนวิธี ID3 เป็นฝึกวิธีที่จะแสดงระดับของหัวใจวายด้วยต้นไม้ตัดสินใจ ผลการศึกษาพบว่า การออกแบบระบบการเดาคือความสามารถในการทำนายโรคหัวใจได้อย่างมีประสิทธิภาพ