مقدمه: مالاریا یک بیماری عفونی است که سالانه 200 تا 300 میلیون نفر را گرفتار می سازد. ویژگی های محیطی چون بارش، درجه حرارت و رطوبت از جمله عوامل تاثیرگذار بر توزیع جغرافیایی و شیوع این بیماری هستند. همچنین، شرایط محیطی نیز بر فعالیت و وفور پشه ناقل بیماری مالاریا تاثیرگذار است. پژوهش حاضر با هدف ارائه مدلی برای پیش بینی نوع مالاریا صورت گرفت. روش کار: پژوهش حاضر به روش توصیفی-مقطعی صورت گرفت. جامعه ی پژوهش متشکل از 285 نفر مراجعه کننده به مرکز بهداشت سراوان از مرداد 88 تا آذر 95 بود. جهت تحلیل داده ها از نرم افزار کلمنتاین 12 (Clementine12. 0) استفاده شد. برای مدل سازی از الگوریتم های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی استفاده شد. یافته ها: مقدار صحت به دست آمده از اجرای الگوریتم های درخت تصمیم تقسیم و رگرسیون، آشکارساز تعامل خودکار مجذور کای، سی پنج و شبکه عصبی به ترتیب 7217/0، 6698/0، 6840/0 و 6557/0 بود. مقادیر به دست آمده برای شاخص های حساسیت، شفافیت، صحت، دقت و ارزش اخباری منفی و سطح زیر منحنی مشخصه ی عملکرد سیستم برای مدل درخت تصمیم تقسیم و رگرسیون نشان دهنده ی عملکرد بهتر این الگوریتم نسبت به سایر الگوریتم ها بود. مقادیر حساسیت و سطح زیر منحنی برای مدل درخت تصمیم تقسیم و رگرسیون 5787/0 و 66/0 بود. نتیجهگیری: استفاده از رو ش های نوین داده کاوی برای تحلیل داده های مالاریا، نحوه ی نگرش مراکز تحقیقات مالاریا را نسبت به شناسایی نوع مالاریا با توجه به گونه حشره تغییر می دهد. شناسایی سریع تر و دقیق تر نوع مالاریا به تشخیص صحیح روش درمان مناسب کمک نموده، منجر به ارتقای عملکرد سازمان های سلامت می گردد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

بانک های تجاری به منظور مدیریت ریسک اعتباری، از روش های امتیازدهی اعتباری متفاوتی برای ارزیابی عملکرد مالی شرکت های متقاضی تسهیلات اعتباری استفاده می کنند. در این تحقیق از یک روش پارامتریک (رگرسیون لجستیک) و یک روش ناپارامتریک (درخت تقسیم و رگرسیون) برای ایجاد مدل امتیازدهی اعتباری استفاده شده است. برای ساخت مدل امتیاز دهی اعتباری داده های مربوط به 282 شرکت کوچک و متوسط وام گیرنده از یکی از شعب بانک تجارت استان تهران مورد استفاده قرار گرفت. 13 نسبت مالی به عنوان شاخص های تعیین کننده وضعیت مالی شرکت های انتخاب شده به کار گرفته شدند. با استفاده از این دو روش نسبتپ های موثر و همچنین دقت روش های مذکور در طبقه بندی مشتریان مشخص شد. با مشاهده نتایج حاصل از ارزیابی این روش ها می توان فهمید که روش های ناپارامتریک دارای دقت قابل رقابتی با روش های پارامتریک می باشند.

شاخص تردی (شکنندگی) سنگ یکی از مهم ترین پارامترهای موثر بر حفاری های زیرزمینی به ویژه در حفاری با ماشین (TBM) به حساب می آید که محاسبه دقیق این پارامتر برای طراحی های ژئوتکنیکی بسیار مهم و کاربردی است. در این مقاله، شاخص تردی سنگ با استفاده از دو روش رگرسیون چند متغیره غیر خطی و همچنین درخت رگرسیون CART بر روی پایگاه داده شامل 48 ردیف داده ای از 30 پروژه تونل سازی مختلف پیش بینی شده است. این پایگاه داده ای بازه قابل قبولی از اعداد را در بر می گیرد که شامل مقاومت فشاری، مشاومت کششی و وزن مخصوص انواع مختلفی از سنگ ها است. علاوه بر مقاومت تک محوری سنگ، مقاومت کششی برزیلی و وزن مخصوص، جنس سنگ به عنوان پارامتر چهارم در ارائه معادله و توسعه درخت پیش بینی تردی سنگ لحاظ شده است. معادله پیشنهاد شده در این مطالعه دارای ضریب تشخیص 91/0R2= و درخت رگرسیون توسعه داده نیز دارای ضریب تشخیص 94/0 R2=است. با توجه به اعمال جنس سنگ به صورت کد عددی در پیش بینی ها مشاهده شد که اعمال این کد نه تنها باعث کاهش دقت در پیش بینی ها نمی شود، بلکه باعث افزایش آن و باعث درک بهتری از معادلات و روش های پیش بینی نیز می شود.

مقدمه: تشخیص زودهنگام استئوپروز کلیدی برای پیشگیری است، لیکن تشخیص، بدون استفاده از روش های تشخیصی مناسب، به علت پیچیدگی عوامل خطر استئوپروز و روند تدریجی از دست رفتن استخوان مشکل است هدف این مطالعه ارائه و سنجش کارایی یک الگوی پیشگویی استئوپروز با استفاده از تکنیک درخت تصمیم به عنوان یک روش تشخیصی براساس عوامل خطر در دسترس است تا به وسیله آن افراد درمعرض خطر برای انجام فعالیت های پیشگیرانه شناسایی شوند. روش بررسی: برای انجام این مطالعه از داده های 131 زن با سن 20 تا 40 سال استفاده شد. متغیر پاسخ مقدار تراکم استخوان (t-score ) ناحیه 4L-1L کمری بود که به دوگروه نرمال(1-=< t-score) و در معرض خطر استئوپروز (1-> t-score) تقسیم شد. به منظور تعیین عوامل خطر استئوپروز از مدل درخت تصمیم به روش ارزیابی متقاطع با 4=k و رگرسیون لوجستیک استفاده شد. برای بررسی دقت پیش بینی دو مدل، سطح زیرمنحنی مشخصه عملکرد (AUROC)به کار گرفته شد. تحلیل داده ها با نرم افزار R انجام شد. یافته ها: سه متغیر تعداد حاملگی، BMI و میزان کلسیم به عنوان عوامل خطر استئوپروز از مدل درختی به دست آمد و سطح زیر منحنی مشخصه عملکرد درخت تصمیم و رگرسیون لوجستیک به ترتیب برابر 665/0 و 686/0 حاصل شد. نتیجه گیری: سطح زیر منحنی مشخصه عملکرد برتری نسبی رگرسیون لوجستیک را نشان داد که با توجه به مزایای درخت تصمیم به کار گیری همزمان دو روش پیشنهاد می شود.

دسته بندی، یکی از وظایف مهم داده کاوی و یادگیری ماشین است و درخت تصمیم به عنوان یکی از الگوریتم های پرکاربرد دسته بندی، دارای سادگی و قابلیت تفسیر نتایج است. اما در مواجهه با داده های حجیم، درخت تصمیم بسیار پیچیده خواهد شد و با محدودیت های حافظه و زمان اجرا مواجه است. الگوریتم های ساخت درخت باید همه مجموعه داده آموزش و یا بخش زیادی از آن را درون حافظه نگه دارند. الگوریتم هایی که به علت انتخاب زیرمجموعه ای از داده با محدودیت حافظه مواجه نیستند، زمان اضافی جهت انتخاب داده صرف می کنند. جهت انتخاب بهترین ویژگی برای ایجاد انشعاب در درخت هم باید محاسبات زیادی بر روی این مجموعه داده انجام شود. در این مقاله، یک رویکرد مقیاس پذیر افزایشی بر مبنای تقسیم سریع و هرس، جهت ساخت درخت تصمیم بر روی مجموعه داده های حجیم ارائه شده است. الگوریتم ارائه شده درخت تصمیم را با استفاده از کل مجموعه داده آموزش اما بدون نیاز به ذخیره سازی داده در حافظه اصلی می سازد. همچنین جهت کاهش پیچیدگی درخت از روش پیش هرس استفاده شده است. نتایج حاصل از اجرای الگوریتم بر روی مجموعه داده های UCI نشان می دهد الگوریتم ارائه شده با وجود دقت و زمان ساخت قابل رقابت با سایر الگوریتم ها، بر مشکلات حاصل از پیچیدگی درخت غلبه کرده است.

زمینه و هدف: شناسایی و پیش بینی موارد پره اکلامپسی شدید با توجه به وخامت پی آمدهای مادری و نوزادی اهمیت زیادی دارد. در این مطالعه نقش برخی عوامل زمینه ای و مراقبتی همراه با پره اکلامپسی شدید با استفاده از مدل طبقه بندی درختی و رگرسیونی مورد ارزیابی قرار گرفت.روش بررسی: این مطالعه روی 1643 زن باردار در 4 بیمارستان منتخب کشور که مبتلا به یکی از شکایت های 53 گانه مرتبط با بارداری در نیمه اول سال 1384 بودند، انجام شد. متغیرهای مرتبط با وضعیت اجتماعی اقتصادی، تاریخچه باروری، سابقه بیماری های زمینه ای، بهره مندی از مراقبت های دوران بارداری، آگاهی از علایم خطر دوران بارداری و تعداد مراقبت ها، ابتلا به برخی مشکلات در بارداری های قبلی و فعلی و شاخص توده بدنی قبل از بارداری به عنوان متغیرهای پیش بینی کننده و شدت پره اکلامپسی به صورت یک متغیر دو وضعیتی به عنوان متغیر وابسته وارد مدل تجزیه و تحلیل گردیدند. پیش بینی پیامد با استفاده از یک روش ناپارامتری به نام طبقه بندی درختی و رگرسیونی انجام گردید. نتایج تجزیه و تحلیل این مدل با روش رگرسیون لجستیک مقایسه گردید.یافته ها: فراوانی پره اکلامپسی در کل مراجعین 5.2 درصد بود. در مدل 1 متغیرهای ابتلا به سردرد مکرر و درد اپیگاستر در دوران بارداری، تعداد حاملگی های قبلی و میزان بهره مندی از مراقبت های دوران بارداری، پیش بینی کننده در شناسایی موارد پره اکلامپسی شدید بود. در مدل 2 فقط ابتلا مکرر به سردرد و تعداد حاملگی قبلی نقش پیش بینی کننده برای این پیامد وخیم بارداری را داشت. حساسیت در مدل 1 و 2 به ترتیب 47.8 درصد و 39.1 درصد و ویژگی در دو مدل به ترتیب 96.8 درصد و 93.6 درصد بود. در تحلیل رگرسیون لجستیک فقط متغیر ابتلا به سردرد در دوران بارداری با پره اکلامپسی شدید رابطه داشت (نسبت برتری 2.5، فاصله اطمینان 95 درصد 5-1.3).نتیجه گیری: این مطالعه نشان داد که با استفاده از متغیرهای قابل سنجش در دوران بارداری، قادر به پیش بینی پیامد پرخطر پره اکلامپسی شدید می باشد. با توجه به تفسیر ساده مدل های درختی و کاربرد آن در تصمیم گیری بالینی، می توان از آنها در سطوح مختلف نظام ارایه خدمات بهداشتی و درمانی استفاده نمود.

قطع درخت در بین مولفه های بهره برداری، اهمیت زیادی دارد. برآورد تولید تجهیزات جنگلی، بخش مهمی از مدیریت هزینه ها در یک واحد جنگل داری است که با کاهش هزینه های عملیات همراه است. به عبارت دیگر، هزینه های بالای سرمایه گذاری در بهره برداری جنگل، دلیل خوبی برای تحقیقات مهندسی جنگل و همچنین مدل سازی زمان می باشد. روش های زیادی مانند انواع رگرسیون ها، منطق فازی، شبکه های عصبی و غیره برای پیش بینی زمان قطع وجود دارد که به کمک آنها می توان به ارتباط منطقی بین زمان قطع درخت و متغیرهای مستقل موجود دست یافت و برای عملیات آینده میزان زمان قطع درخت را پیش بینی نمود. در این تحقیق از تحلیل رگرسیون و شبکه های عصبی پرسپترون چند لایه و تابع شعاع مدار برای پیش بینی زمان قطع درخت در جنگل های شرکت نکاچوب استفاده شد. به منظور جمع آوری داده های زمان قطع، از روش مطالعه زمانی پیوسته استفاده شد. بدین منظور تعداد 84 درخت از درختان نشانه گذاری شده انتخاب شد و زمان خالص قطع درخت با استفاده از شبکه پرسپترون چندلایه و تابع شعاع مدار، و همچنین روش رایج تحلیل رگرسیون پیش بینی گردید. نتایج نشان داد که شبکه عصبی تابع پایه شعاعی نسبت به شبکه عصبی پرسپترون چندلایه دارای دقت بیشتری در برآورد زمان قطع درخت می باشد. همچنین مقایسه معیارهای ارزیابی شبکه عصبی مصنوعی با رگرسیون گام به گام نشان داد که شبکه عصبی MLP و RBF به ترتیب دارای مقدار 0.94 RMSE و 0.81 بوده، در حالی که مقدار RMSE مدل رگرسیون 1.15 می باشد.

شاخص کیفیت هوا ابزار کلیدی جهت آگاهی از کیفیت هوا، نحوه ی اثر آلودگی هوا بر سلامت و روش های محافظتی در برابر آلودگی هوا است. هدف اصلی این تحقیق مدل سازی و برآورد شاخص کیفیت هوا از طریق شبکه عصبی مصنوعی، درخت تصمیم، رگرسیون خطی چندگانه و رگرسیون مؤلفه های اصلی است. جهت محاسبه شاخص کیفیت هوا از داده های هواشناسی و آلودگی هوای ثبت شده در ایستگاه تجریش و قلهک شهر تهران در دوره زمانی 1385 تا 1390 استفاده شد. به منظور ارزیابی عملکرد مدل های برآوردگر از شاخص های آماری خطا، همبستگی و صحت استفاده شد. نتایج تحقیق نشان داد که مدل شبکه عصبی در هر دو ایستگاه از عملکرد بهتری نسبت به سایر مدل ها برخوردار است، به نحوی که در ایستگاه قلهک 006/0RMSE=، 004/0MAE=، 99/0 IA=و در ایستگاه تجریش 004/0 RMSE=، 002/0 MAE=، 1 IA=بود. مدل درخت تصمیم بعد از مدل شبکه عصبی عملکرد مطلوبی از خود نشان داد و مدل رگرسیون خطی چندگانه بعد از مدل شبکه عصبی و درخت تصمیم عملکرد بهتری نسبت به مدل رگرسیون مبتنی بر تحلیل مؤلفه های اصلی ارائه نمود. روش تحلیل مؤلفه های اصلی علی رغم آنکه توانست همبستگی بین داده های ورودی و تعداد پارامترهای ورودی به مدل را کاهش دهد باعث بهبود عملکرد مدل رگرسیون نشد.

هدف: بررسی و تحلیل محتوای اطلاعاتی نسبت های دوپونت در ارتباط با سیاست تقسیم سود شرکت ها و همچنین به دنبال پاسخ این سؤال است که آیا اجزای نسبت دوپونت با تصمیمات مدیریت در تقسیم سود رابطه معناداری دارد؟ روش شناسی پژوهش: برای دستیابی به پاسخ سؤال فوق 84 شرکت موجود در بازار سرمایه تهران به عنوان نمونه آماری انتخاب گردید. داده های جمع آوری شده در یک دوره 10 ساله بین سال های 1388 تا 1397 در نظر گرفته شده و آزمون فرضیه ها با در نظر گرفتن متغیر وابسته تقسیم سود به شکل های مختلف از طریق تحلیل رگرسیون توبیت و لجستیک انجام شده است. یافته ها: نتایج نشان داده است که بازده خالص دارایی ها (RONA) و اجزای آن یعنی گردش دارایی (ATO) و حاشیه سود (PM) در ارتباط با سیاست تقسیم سود در تمامی مدل ها به جز مدل تغییرات سود تقسیمی روبه جلو ( ) دارای محتوای اطلاعاتی بوده است. اصالت/ارزش افزوده علمی: این پژوهش نشان داد که مدیران و تحلیلگران از طریق محتوای اطلاعاتی به دست آمده از طریق نسبت های دوپونت می توانند به تحلیل چگونگی تصمیمات سود سهام بپردازند.