خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : PRMT : پیش بینی فاکتورهای خطر ابتلا به چاقی در افراد میان سال با استفاده از تکنیک داده کاوی
.
English Article Title: PRMT: Predicting Risk Factor of Obesity among Middle-Aged People Using Data Mining Techniques
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.05.022
Keywords:
#obesity
#riskmining
#datamining
#cardiovascular_disease
#classification
#PRMT
#چاقی
#خطر_سرماخوردگی
#بیماری_قلبی_عروقی
#طبقه_بندی
#میانسال
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_اقتصاد
#مقاله_مالی
#مقاله_فاینانس (#Economics_Econometrics_and_Finance)
#مقاله_علوم_اجتماعی (#Social_Sciences)
چکیده مقاله:
چاقی یک وضعیت آناتومی است که با رشد شدید چربی بدن مشخص می شود. میزان چاقی به تدریج افزایش می یابد، با توجه به مقالات پیشین، چاقی بیماری جدی سلامت در جهان است. در این مطالعه 259 داده از مناطق شهری و روستایی با توجه به میزان مختلف خطر ناشی از فعالیت های روزمره جمع آوری شد. هدف از مطالعه، شبیه سازی عامل خطر با استفاده از ابزار آماری (SPSS) است که به پیش بینی عامل اصلی خطر چاقی با تست سطح کلاس و مطالعه مقطعی دیگر ویژگی ها کمک می کند. با آنالیز (P-value (p <0.05، دریافتیم سن (0.002)، قد (0.002)، وزن( 0.000)، شیوه زندگی سالم (0.000)، وضعیت زناشویی (0.001)، BMI ( 0.000) ، اقتصادی (0.028)، خواب در روز (0.011) دارای ارتباط معناداری با کلاس چاقی دارد. در این مطالعه یک روش ریسک داده کاوی (PRMT) برای پیش بینی مدلی به منظور تحلیل عامل خطر ابتلا به چاقی با استفاده از طبقه بندی های مختلف داده کاوی ، با استفاده از WEKA برای برآورد دقت و خطا پیشنهاد شد. نتیجه این فرایند Naïve Bayes بهترین طبقه بندی برای مطالعه 10 برابر اعتبارسنجی است. مدل پیشنهادی برای پیش بینی عامل انسانی موثر در کنترل و کاهش بیماری قلبی عروقی است.
کليدواژه ها: چاقي | خطر سرماخوردگي | بیماری قلبی عروقی | طبقه بندی
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2Qnw8yX
.
عنوان فارسی مقاله : PRMT : پیش بینی فاکتورهای خطر ابتلا به چاقی در افراد میان سال با استفاده از تکنیک داده کاوی
.
English Article Title: PRMT: Predicting Risk Factor of Obesity among Middle-Aged People Using Data Mining Techniques
Year: 2018
Publisher: ELSEVIER
Journal: Procedia Computer Science
DOI: https://doi.org/10.1016/j.procs.2018.05.022
Keywords:
#obesity
#riskmining
#datamining
#cardiovascular_disease
#classification
#PRMT
#چاقی
#خطر_سرماخوردگی
#بیماری_قلبی_عروقی
#طبقه_بندی
#میانسال
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_اقتصاد
#مقاله_مالی
#مقاله_فاینانس (#Economics_Econometrics_and_Finance)
#مقاله_علوم_اجتماعی (#Social_Sciences)
چکیده مقاله:
چاقی یک وضعیت آناتومی است که با رشد شدید چربی بدن مشخص می شود. میزان چاقی به تدریج افزایش می یابد، با توجه به مقالات پیشین، چاقی بیماری جدی سلامت در جهان است. در این مطالعه 259 داده از مناطق شهری و روستایی با توجه به میزان مختلف خطر ناشی از فعالیت های روزمره جمع آوری شد. هدف از مطالعه، شبیه سازی عامل خطر با استفاده از ابزار آماری (SPSS) است که به پیش بینی عامل اصلی خطر چاقی با تست سطح کلاس و مطالعه مقطعی دیگر ویژگی ها کمک می کند. با آنالیز (P-value (p <0.05، دریافتیم سن (0.002)، قد (0.002)، وزن( 0.000)، شیوه زندگی سالم (0.000)، وضعیت زناشویی (0.001)، BMI ( 0.000) ، اقتصادی (0.028)، خواب در روز (0.011) دارای ارتباط معناداری با کلاس چاقی دارد. در این مطالعه یک روش ریسک داده کاوی (PRMT) برای پیش بینی مدلی به منظور تحلیل عامل خطر ابتلا به چاقی با استفاده از طبقه بندی های مختلف داده کاوی ، با استفاده از WEKA برای برآورد دقت و خطا پیشنهاد شد. نتیجه این فرایند Naïve Bayes بهترین طبقه بندی برای مطالعه 10 برابر اعتبارسنجی است. مدل پیشنهادی برای پیش بینی عامل انسانی موثر در کنترل و کاهش بیماری قلبی عروقی است.
کليدواژه ها: چاقي | خطر سرماخوردگي | بیماری قلبی عروقی | طبقه بندی
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2Qnw8yX