[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي درباره نشريه آخرين شماره تمام شماره‌ها جستجو ثبت نام ارسال مقاله تماس با ما ::
:: دوره 13، شماره 4 - ( مهر،آبان 1390 ) ::
دوره 13 شماره 4 صفحات 18-27 برگشت به فهرست نسخه ها
استفاده از روش تحلیل مولفه‌های اصلی برای افزایش صحت پیش‌بینی سندرم متابولیک در مدل‌های شبکه عصبی مصنوعی و رگرسیون لجستیک
مرتضی سدهی ، یداله محرابی، عباس خدابخشی
مرکز تحقیقات گیاهان دارویی-دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران 1Medical Plants Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran, ، sedehi56@gmail.com
چکیده:   (9851 مشاهده)
زمینه و هدف: در فرآیند مدل‌سازی، زمانی‌که بین متغیرهای کمکی همبستگی‌های نسبتا قوی وجود داشته باشد، هم‌خطی‌چندگانه ایجاد شده و باعث کاهش کارآیی مدل می‌گردد. هدف از این مطالعه استفاده از تحلیل مولفه‌های اصلی برای تعدیل اثر هم‌خطی‌چندگانه در مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی و بررسی تاثیر آن بر صحت و دقت پیش‌بینی سندرم متابولیک بود. روش بررسی: در این مطالعه توصیفی – تحلیلی تعداد 347 نفر از افراد شرکت کننده در مطالعه آینده نگر قند و لیپید تهران که در فاز اول مطالعه بر اساس تعریف پانل درمان بالغین (ATPIII) مبتلا به سندرم متابولیک نبودند انتخاب شدند. ابتدا مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی با استفاده از متغیرهای کمکی اولیه و سپس با استفاده از مولفه‌های اصلی به داده‌ها برازش گردید و پیش‌بینی بر اساس این مدل‌ها انجام شد. از تحلیل راک و آماره کاپا برای مقایسه قدرت پیش‌بینی مدل‌ها استفاده گردید. یافته‌ها: برای مدل‌های رگرسیون لجستیک، رگرسیون لجستیک با مولفه‌های اصلی، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی با مولفه‌های اصلی به‌ترتیب مساحت زیر منحنی راک 749/0، 790/0، 890/0 و 927/0 به‌دست آمد، میزان حساسیت مدل‌ها 483/0، 435/0، 836/0 و 919/0، ویژگی آن‌ها 857/0، 919/0، 892/0 و 964/0 و اندازه آماره کاپا برای مدل‌ها 322/0، 386/0، 712/0 و 886/0 به‌دست آمد. نتیجه‌گیری: تحقیق نشان داد که صحت پیش‌بینی مدل‌های بر اساس مولفه‌های اصلی از مدل‌های مبتنی بر متغیرهای کمکی اولیه بیشتر بوده و بنابراین در هنگام وجود هم‌خطی‌چندگانه، مدل‌های مبتنی بر مولفه‌های اصلی برای پیش‌بینی سندرم متابولیک کاراتر هستند.
واژه‌های کلیدی: تحلیل مولفه‌های اصلی، سندرم متابولیک، پیش‌بینی، شبکه عصبی مصنوعی، رگرسیون لجستیک، هم‌خطی‌چندگانه.
متن کامل [PDF 197 kb]   (1417 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سایر
دریافت: ۱۳۹۰/۷/۱۴ | پذیرش: ۱۳۹۶/۶/۱۱ | انتشار: ۱۳۹۶/۶/۱۱
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA code


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sedehi M, Mehrabi Y, Khodabakhshi A. Using principal component analysis to increase accuracy of prediction of metabolic syndrome in artificial neural network and logistic regression models. J Shahrekord Univ Med Sci. 2011; 13 (4) :18-27
URL: http://journal.skums.ac.ir/article-1-827-fa.html

سدهی مرتضی، محرابی یداله، خدابخشی عباس. استفاده از روش تحلیل مولفه‌های اصلی برای افزایش صحت پیش‌بینی سندرم متابولیک در مدل‌های شبکه عصبی مصنوعی و رگرسیون لجستیک. مجله دانشگاه علوم پزشکی شهركرد. 1390; 13 (4) :18-27

URL: http://journal.skums.ac.ir/article-1-827-fa.html



دوره 13، شماره 4 - ( مهر،آبان 1390 ) برگشت به فهرست نسخه ها
مجله دانشگاه علوم پزشکی شهرکرد Journal of Shahrekord University of Medical Sciences
Persian site map - English site map - Created in 0.06 seconds with 31 queries by YEKTAWEB 3731