محسن عبدالحسین زاده

بیماری‌های کبدی یکی از علل اصلی مرگ و میرند که تأثیر عمیقی بر زندگی افراد دارند و تشخیص آنها در مراحل اولیه بسیار حیاتی است. هدف این پژوهش، توسعه و ارزیابی مدل یادگیری ماشین انباشته (SML) برای تشخیص و پیش‌بینی دقیق بیماری‌های کبدی است. مدل SML با استفاده از ساختار دو لایه، الگوریتم‌های مختلف را ترکیب می‌کند تا مشکل بیش‌برازش را برطرف کرده و دقت پیش‌بینی را افزایش دهد. در لایه نخست، چهار الگوریتم شامل درخت تصادفی نامحدود (ET)، درخت تصمیم (DT)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) برای پیش‌بینی اولیه استفاده می‌شوند. در لایه دوم، الگوریتم رگرسیون لجستیک (LR) بر اساس خروجی لایه نخست آموزش داده می‌شود تا پیش‌بینی نهایی انجام شود. تنظیم پارامترها با الگوریتم جستجوی شبکه توری (GS) انجام شده است. داده‌های مورد استفاده شامل 615 نمونه‌داده با دوازده ویژگی از پایگاه دانشگاه کالیفرنیا در ایروین است که 70% برای آموزش و 30% برای تست اختصاص یافته است. نتایج اعتبارسنجی متقابل 5=k نشان می‌دهد که مدل پیشنهادی با صحت 0.9940 و معیار 1F برابر 0.9880 عملکرد برتری نسبت به سایر روش‌ها دارد. این پژوهش می‌تواند به کاهش مرگ و میر ناشی از بیماری‌های کبدی کمک شایانی کند.