Cardiovascular disease includes coronary heart disease (CHD), cerebrovascular disease (stroke), Hypertensive heart disease,
congenital heart disease, peripheral artery disease, rheumatic heart disease, inflammatory heart disease. The major causes of
cardiovascular disease are tobacco use, physical inactivity, an unhealthy diet and harmful use of alcohol [3]. Several researchers
are using statistical and data mining tools to help health care professionals in the diagnosis of heart disease [4].
Complex data mining benefits from the past experience and algorithms defined with existing software and packages, with certain
tools gaining a greater affinity or reputation with different techniques [5]. This technique is routinely use in large number of
industries like engineering, medicine, crime analysis, expert prediction, Web mining, and mobile computing, besides others utilize
Data mining [6]. Medical diagnosis is regarded as an important yet complicated task that needs to be executed accurately and
efficiently. The automation of this system would be extremely advantageous. Data mining is an essential step of knowledge
discovery. In recent years it has attracted great deal of interest in Information industry [7]. Data mining combines statistical
analysis, machine learning and database technology to extract hidden patterns and relationships from large databases [8]. Data
mining uses two strategies: supervised and unsupervised learning. In supervised learning, a training set is used to learn model
parameters whereas in unsupervised learning no training set is used. Each data mining technique serves a different purpose
depending on the modeling objective. The two most common modeling objectives are classification and prediction. Classification
models predict categorical labels (discrete, unordered) while prediction models predict continuous-valued functions [9]. Several
data mining techniques are used in the diagnosis of heart disease such as Naïve Bayes, Decision Tree, neural network, kernel
density, bagging algorithm, and support vector machine showing different levels of accuracies.
This paper presents a new model that enhances the Decision Tree accuracy in identifying heart disease patients. Decision Tree
algorithms include CART (Classification and Regression Tree), ID3 (Iterative Dichotomized 3) and C4.5. These algorithms differ
in selection of splits, when to stop a node from splitting, and assignment of class to a non-split node (Ho T. J., 2005). The rest of
the paper is divided as follows: the background section investigates applying data mining techniques in the diagnosis of heart
โรคหัวใจและหลอดเลือดรวมถึงโรคหลอดเลือดหัวใจ (CHD) โรคหลอดเลือดสมอง (จังหวะ), ความดันโลหิตสูงโรคหัวใจ
โรคหัวใจพิการ แต่กำเนิดโรคหลอดเลือดอุปกรณ์ต่อพ่วง, โรคหัวใจรูมาติกโรคหัวใจอักเสบ สาเหตุหลักของ
การเกิดโรคหัวใจและหลอดเลือดมีการใช้ยาสูบ, การไม่ออกกำลังกาย, อาหารที่ไม่แข็งแรงและการใช้งานที่เป็นอันตรายของเครื่องดื่มแอลกอฮอล์ [3] นักวิจัยหลาย
มีการใช้เครื่องมือทางสถิติและการทำเหมืองข้อมูลเพื่อช่วยให้ผู้เชี่ยวชาญด้านการดูแลสุขภาพในการวินิจฉัยของโรคหัวใจ [4].
ผลประโยชน์การทำเหมืองข้อมูลที่ซับซ้อนจากประสบการณ์ที่ผ่านมาและขั้นตอนวิธีการที่กำหนดไว้กับซอฟแวร์ที่มีอยู่และแพคเกจที่มีบาง
เครื่องมือที่ได้รับความสัมพันธ์ที่ใกล้ชิดมากขึ้นหรือชื่อเสียง ด้วยเทคนิคที่แตกต่างกัน [5] เทคนิคนี้จะใช้เป็นประจำในจำนวนมากของ
อุตสาหกรรมเช่นวิศวกรรม, ยา, การวิเคราะห์อาชญากรรมทำนายผู้เชี่ยวชาญการทำเหมืองแร่บนเว็บและคอมพิวเตอร์มือถืออื่น ๆ นอกเหนือจากการใช้ประโยชน์จาก
การทำเหมืองข้อมูล [6] การวินิจฉัยทางการแพทย์ถือได้ว่าเป็นงานที่สำคัญยังมีความซับซ้อนที่ต้องดำเนินการอย่างถูกต้องและ
มีประสิทธิภาพ ระบบอัตโนมัติของระบบนี้จะเป็นประโยชน์อย่างมาก การทำเหมืองข้อมูลเป็นขั้นตอนสำคัญของความรู้ที่
ค้นพบ ในปีที่ผ่านมามันได้ดึงดูดความสนใจอย่างมากในอุตสาหกรรมข้อมูล [7] การทำเหมืองข้อมูลรวมสถิติ
การวิเคราะห์การเรียนรู้เครื่องและเทคโนโลยีฐานข้อมูลที่จะดึงรูปแบบที่ซ่อนและความสัมพันธ์จากฐานข้อมูลขนาดใหญ่ [8] ข้อมูล
การทำเหมืองแร่ที่ใช้สองกลยุทธ์: การเรียนรู้ภายใต้การดูแลและใกล้ชิด ในการเรียนรู้ภายใต้การดูแลชุดการฝึกอบรมจะใช้ในการเรียนรู้รูปแบบ
พารามิเตอร์ในขณะที่การเรียนรู้ใกล้ชิดชุดฝึกอบรมไม่ถูกนำมาใช้ แต่ละเทคนิคการทำเหมืองข้อมูลมีจุดมุ่งหมายที่แตกต่างกัน
ขึ้นอยู่กับวัตถุประสงค์การสร้างแบบจำลอง วัตถุประสงค์การสร้างแบบจำลองพบมากที่สุดคือการจัดหมวดหมู่และการทำนาย การจัดจำแนกของ
แบบจำลองทำนายป้ายเด็ดขาด (แยกเรียงลำดับ) ในขณะที่รูปแบบการทำนายทำนายฟังก์ชั่นอย่างต่อเนื่องมูลค่า [9] หลาย
เทคนิคการทำเหมืองข้อมูลที่ถูกนำมาใช้ในการวินิจฉัยของโรคหัวใจเช่นNaïve Bayes ต้นไม้ตัดสินใจเครือข่ายประสาทเคอร์เนล
ความหนาแน่นของขั้นตอนวิธีการใส่ถุงและการสนับสนุนเครื่องเวกเตอร์แสดงระดับที่แตกต่างของความถูกต้อง.
บทความนี้นำเสนอรูปแบบใหม่ที่ช่วยเพิ่มต้นไม้การตัดสินใจ ความถูกต้องในการระบุผู้ป่วยโรคหัวใจ ต้นไม้การตัดสินใจ
ขั้นตอนวิธีการรวมถึงรถเข็น (จำแนกประเภทและต้นไม้ถดถอย) ID3 (ซ้ำ dichotomized 3) และ C4.5 ขั้นตอนวิธีการเหล่านี้แตกต่าง
ในการเลือกแยกเมื่อมีการหยุดโหนดจากการแยกและการกำหนดระดับโหนดที่ไม่แยก (โฮ TJ 2005) ส่วนที่เหลือของ
กระดาษจะถูกแบ่งออกเป็นดังนี้: ส่วนพื้นหลังสำรวจการใช้เทคนิคการทำเหมืองข้อมูลในการวินิจฉัยโรคของหัวใจ
การแปล กรุณารอสักครู่..
โรคหัวใจและหลอดเลือดรวมถึงโรคหลอดเลือดหัวใจ ( CHD ) โรคหลอดเลือดสมอง ( อัมพาต ) , โรคหัวใจความดันโลหิตสูง ,
โรคหัวใจพิการแต่กำเนิด , โรคหลอดเลือดแดงส่วนปลาย หัวใจ โรคไขข้ออักเสบ โรคหัวใจอักเสบ สาเหตุหลักของโรคหัวใจและหลอดเลือดเป็นยาสูบ
ใช้ไม่มีการใช้งานทางกายภาพ , อาหารที่ไม่แข็งแรงและการใช้ที่เป็นอันตรายของเครื่องดื่มแอลกอฮอล์ [ 3 ] นักวิจัย
หลายใช้สถิติและข้อมูลเครื่องมือเหมืองแร่เพื่อช่วยให้ผู้เชี่ยวชาญด้านการดูแลสุขภาพในการวินิจฉัยเป็นโรคหัวใจ [ 4 ] .
ซับซ้อนการทำเหมืองข้อมูลได้รับประโยชน์จากประสบการณ์ที่ผ่านมาและขั้นตอนวิธีการกำหนดกับซอฟต์แวร์ที่มีอยู่และแพคเกจด้วยเครื่องมือบางอย่างที่ดึงดูดมากขึ้น
6 หรือชื่อเสียง มีเทคนิคต่างๆ [ 5 ] เทคนิคนี้ถูกใช้ในตัวเลขขนาดใหญ่ของ
อุตสาหกรรมเช่นวิศวกรรม , การแพทย์ , การวิเคราะห์ , ผู้เชี่ยวชาญด้านการพยากรณ์ เว็บเหมืองแร่ อาชญากรรม และคอมพิวเตอร์มือถือ นอกเหนือจากคนอื่น ๆใช้
การทำเหมืองข้อมูล [ 6 ] การวินิจฉัยทางการแพทย์ถือเป็นสำคัญยังซับซ้อนงานที่ต้องดำเนินการอย่างถูกต้องและ
ได้อย่างมีประสิทธิภาพ ระบบอัตโนมัติของระบบนี้จะมีประโยชน์มาก . การทำเหมืองข้อมูลเป็นขั้นตอนสำคัญของการค้นพบความรู้
ในปีล่าสุด มันได้ดึงดูดการจัดการที่ดีของความสนใจในข้อมูลอุตสาหกรรม [ 7 ] การทำเหมืองข้อมูลรวมสถิติ
, การเรียนรู้เครื่องและเทคโนโลยีฐานข้อมูลเพื่อแยกรูปแบบและความสัมพันธ์ที่ซ่อนอยู่จากฐานข้อมูลขนาดใหญ่ [ 8 ] การทำเหมืองข้อมูล
ใช้สองกลยุทธ์ : แบบมีผู้สอน และการเรียนรู้แบบไม่มีผู้สอน . ในการสอนชุดฝึกใช้เพื่อเรียนรู้รูปแบบ
พารามิเตอร์ในขณะเรียนชุดฝึกคนเดียวไม่ใช้ การทำเหมืองข้อมูลเทคนิคบริการแต่ละที่แตกต่างกันขึ้นอยู่กับวัตถุประสงค์
สำหรับวัตถุประสงค์ สองที่พบมากที่สุดรูปแบบวัตถุประสงค์การจำแนกและการทำนาย . รูปแบบหมวดหมู่
ทำนายป้ายเด็ดขาด ( ไม่ต่อเนื่อง เรียงลําดับ ) ในขณะที่รุ่นพยากรณ์ทำนายอย่างต่อเนื่องมูลค่าฟังก์ชัน [ 9 ] หลาย
เทคนิคการทำเหมืองข้อมูลที่ใช้ในการวินิจฉัยของโรคหัวใจเช่น na ไตได้ Bayes , การตัดสินใจ , ต้นไม้ , โครงข่ายประสาท Kernel
ความหนาแน่น ห่อ ขั้นตอนวิธีและสนับสนุนเครื่องเวกเตอร์แสดงระดับของความถูกต้อง .
บทความนี้เสนอรูปแบบใหม่ที่ช่วยเพิ่มความแม่นยำในการระบุโครงสร้างการตัดสินใจของผู้ป่วยโรคหัวใจ
แผนภาพการตัดสินใจแบบต้นไม้ขั้นตอนวิธีรวมรถเข็น ( การจำแนกและการถดถอย ( ต้นไม้ ) , ID3 dichotomized ซ้ำ 3 ) และโปรแกรม C4.5 . ขั้นตอนวิธีการเหล่านี้แตกต่าง
เลือกแยกเมื่อหยุดจากการแบ่งงานของโหนดและชั้นเรียนที่จะไม่แยกปม โฮ T . J . , 2005 ) ส่วนที่เหลือของ
กระดาษแบ่งเป็นดังนี้ ส่วนพื้นหลังและการประยุกต์ใช้เทคนิคการทำเหมืองข้อมูลในการวินิจฉัยโรคหัวใจ
การแปล กรุณารอสักครู่..