Medical data mining has great poten

Medical data mining has great potential for exploring the
hidden patterns in the data sets of the medical domain. These
patterns can be utilized for fast and better clinical decision
making, and also to curb the occurrence of particular disease
by physicians. However, the available raw medical data are
widely distributed, heterogeneous in nature and voluminous.
Data mining and Statistics both strive towards discovering
hidden patterns and structures in data. Statistics deals with
heterogeneous numbers only, whereas data mining deals with
heterogeneous fields. We have identified one area of healthcare
where data mining techniques can be applied for knowledge
discovery. In this paper, the impact of two Data Mining
techniques(FP-Growth and Apriori) on a known diabetic
dataset has been examined. Also rules generated by the FPGrowth
approach are being matched and co-related with those
being generated by Apriori algorithm.

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลทางการแพทย์ที่มีศักยภาพที่ดีสำหรับการสำรวจการรูปแบบที่ซ่อนอยู่ในชุดข้อมูลของโดเมนที่ทางการแพทย์ เหล่านี้รูปแบบที่สามารถใช้สำหรับการตัดสินใจทางคลินิกดีขึ้น และรวดเร็วทำ และยังยั้งการเกิดโรคบางชนิดโดยแพทย์ อย่างไรก็ตาม ข้อมูลทางการแพทย์วัตถุดิบมีอยู่กระจายอย่างกว้างขวาง แตกต่างกันในธรรมชาติ และใหญ่การทำเหมืองข้อมูลและสถิติทั้งสองมุ่งค้นหาซ่อนรูปแบบและโครงสร้างข้อมูล สถิติที่เกี่ยวข้องกับแตกต่างกันตัวเลขเท่านั้น ในขณะที่การทำเหมืองข้อมูลที่เกี่ยวข้องกับเขตข้อมูลที่แตกต่างกัน เราได้ระบุพื้นที่หนึ่งของการดูแลสุขภาพซึ่งสามารถใช้เทคนิคเหมืองข้อมูลความรู้การค้นหา ในกระดาษนี้ ผลกระทบของการทำเหมืองข้อมูลสองเทคนิค (FP-เจริญเติบโตและ Apriori) รู้จักโรคเบาหวานชุดข้อมูลที่ผ่านการตรวจสอบ นอกจากนี้กฎที่สร้างขึ้น โดยการ FPGrowthวิธีการจับคู่ และเกี่ยวข้องกับผู้ร่วมถูกสร้างขึ้น โดยอัลกอริทึม Apriori

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลทางการแพทย์ที่มีศักยภาพที่ดีสำหรับการสำรวจ
รูปแบบที่ซ่อนอยู่ในชุดข้อมูลของโดเมนทางการแพทย์ เหล่านี้
รูปแบบสามารถนำไปใช้สำหรับการตัดสินใจที่รวดเร็วและดีกว่าทางคลินิก
ทำและยังลดการเกิดโรคโดยเฉพาะอย่างยิ่ง
โดยแพทย์ อย่างไรก็ตามข้อมูลทางการแพทย์ดิบที่มีอยู่
กระจายกันอย่างแพร่หลายที่แตกต่างกันในธรรมชาติและใหญ่โต.
การทำเหมืองข้อมูลและสถิติทั้งมุ่งมั่นสู่การค้นพบ
รูปแบบที่ซ่อนและโครงสร้างในข้อมูล ข้อเสนอสถิติที่มี
ตัวเลขที่แตกต่างกันเท่านั้นในขณะที่ข้อมูลข้อเสนอการทำเหมืองแร่ที่มี
สาขาที่แตกต่างกัน เราได้ระบุพื้นที่หนึ่งของการดูแลสุขภาพ
ที่เทคนิคการทำเหมืองข้อมูลที่สามารถนำมาใช้สำหรับความรู้ที่
ค้นพบ ในบทความนี้ผลกระทบจากการทำเหมืองข้อมูลสอง
เทคนิค (FP-การเจริญเติบโตและ Apriori) ในผู้ป่วยโรคเบาหวานที่รู้จักกันใน
ชุดข้อมูลที่ได้รับการตรวจสอบ นอกจากนี้ยังมีกฎระเบียบที่สร้างขึ้นโดย FPGrowth
วิธีการที่ถูกจับคู่และร่วมที่เกี่ยวข้องกับผู้ที่
ถูกสร้างขึ้นโดยวิธี Apriori

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลทางการแพทย์มีศักยภาพที่ดีสำหรับการสำรวจที่ซ่อนอยู่ในรูปแบบชุดข้อมูลของโดเมนทางการแพทย์ เหล่านี้รูปแบบสามารถใช้ในการตัดสินใจได้อย่างรวดเร็วและคลินิกดีกว่าทำและยังยั้งการเกิดโรคโดยเฉพาะโดยแพทย์ อย่างไรก็ตาม มีข้อมูลทางการแพทย์เป็นวัตถุดิบการกระจายอย่างกว้างขวาง วิวิธพันธุ์ในธรรมชาติ และมากมาย .การทำเหมืองข้อมูลและสถิติทั้งสองมุ่งมั่นสู่การค้นพบที่ซ่อนอยู่ในรูปแบบและโครงสร้างของข้อมูล สถิติที่เกี่ยวข้องกับตัวเลขที่แตกต่างกันเท่านั้น ในขณะที่ข้อมูลที่เกี่ยวข้องกับเหมืองแร่บริษัท ฟิลด์ เราได้ระบุพื้นที่หนึ่งของการดูแลสุขภาพที่เทคนิคการทำเหมืองข้อมูลสามารถประยุกต์ความรู้การค้นพบ ในกระดาษนี้ , ผลกระทบของการทำเหมืองข้อมูลเทคนิค ( การเจริญเติบโต FP และ aPriori ) รู้จักโรคเบาหวานข้อมูลที่ได้รับการตรวจสอบ นอกจากนี้ กฎที่สร้างขึ้นโดย fpgrowthวิธีการจะถูกจับคู่กับผู้ที่เกี่ยวข้อง และ บริษัทถูกสร้างขึ้นโดยขั้นตอนวิธีแบบ .