خلاصة:
هدف: دادهکاوی علم و تکنیکهایی است که برای تجزیهوتحلیل دادهها بهمنظور کشف و استخراج الگوهای ناشناختۀ قبلی استفاده میشود. همچنین، بهعنوان بخش اصلی فرآیند کشف دانش در پایگاههای داده در نظر گرفته میشود. هدف اصلی ما ساخت یک مدل طبقهبندی کارآمد با دقت بالا برای بهبود کارایی و اثربخشی است.
روش: در این مقاله یک تکنیک یادگیری نظارتشده بهمنظور ایجاد یک درخت تصمیم برای دادههای نظرسنجی بیمارستان تأمین اجتماعی شهدای کارگر یزد معرفی میکنیم. هدف اصلی ساخت یک مدل طبقهبندی کارآمد با دقت بالا برای بهبود کارایی و اثربخشی فرآیند پذیرش است. برای ساخت درخت تصمیم از الگوریتم CART و بسته rpart موجود در زبان برنامهنویسی R استفاده شده است و مدل نهایی با استفاده از روشهای رایج ارزیابی، ارزیابی شد.
نتیجه: طبق نتیجۀ به دست آمده، مهمترین طبقه (از سمت راست) طبقۀ اول است؛ زیرا حدود 84 درصد از دادهها را شامل میشود. این طبقه نشان میدهد که اگر میزان رضایت از پزشک بزرگتر یا مساوری 3 و همچنین، میزان رضایت از کارکنان پذیرش بزرگتر یا مساوی 4 باشد، 84 درصد از مراجعهکنندگان در صورت نیاز، مجدداً به بیمارستان مراجعه میکنند.
Objective: Data mining consists of the science and techniques used to analyze data in order to discover and extract previously unknown patterns. It is also considered as a key part of the knowledge discovery process in databases. Our main goal is to build an efficient, high-precision classification model to improve efficiency and effectiveness.Method: In this paper, we introduce a supervised learning technique to create a decision tree for the survey data of the SSO Martyred-Workers Hospital in Yazd Province. The main goal is to build an efficient classification model with high accuracy to improve the efficiency and effectiveness of the admission process. To build the decision tree, we used the CART algorithm and the rpart package in the R programming language, and the final model was evaluated using common evaluation methods. Findings: The findings of this study showed special results with the help of which we were able to classify the available data, which is very important in managerial decisions.Conclusion: According to the result, the most important categories are (from the right) the first and third categories, respectively, because they comprise about 75% of our data.
ملخص الجهاز:
طبقه بندي داده هاي نظرسنجي بيمارستان تأمين اجتماعي شهداي کارگر يزد با الگوريتم درخت تصميم صمدشهرياري ١ چکيده هدف : داده کاوي علم و تکنيک هايي است که براي تجزيه وتحليل داده ها به منظور کشف و استخراج الگوهاي ناشناختۀ قبلي استفاده مي شود.
روش : در اين مقاله يک تکنيک يادگيري نظارت شده به منظور ايجاد يک درخت تصميم براي داده هاي نظرسنجي بيمارستان تأمين اجتماعي شهداي کارگر يزد معرفي مي کنيم .
براي ساخت درخت تصميم از الگوريتم CART و بسته rpart موجود در زبان برنامه نويسي R استفاده شده است و مدل نهايي با استفاده از روش هاي رايج ارزيابي ، ارزيابي شد.
طبقه بندي يک روش داده کاوي است که موارد موجود در يک مجموعه را به دسته ها يا کلاس هاي هدف اختصاص مي دهد.
در اين مقاله ، ما يک تکنيک يادگيري نظارت شده براي ساخت يک مدل درخت تصميم براي داده هاي نظرسنجي بيمارستان تأمين اجتماعي شهداي کارگر يزد را معرفي مي کنيم تا ابزاري براي بهبود کارايي و اثربخشي فرآيند پذيرش ارائه کنيم .
بخش ٣، جزئيات مختصري در مورد روش هاي رايج مورد استفاده براي ارزيابي مدل طبقه بندي ارائه مي دهد.
نمودار طبقه بندي درخت تصميم حاصل از داده هاي نظرسنجي بيمارستان ٤-٣.
نتايج مدل درخت تصميم مقادير ماتريس درهم ريختگي در جدول ٤ نشان داده شده است .
٥. نتيجه در اين مقاله تأثير طبقه بندي مدل درخت تصميم براي داده هاي نظرسنجي بيمارستان تأمين اجتماعي شهداي کارگر يزد را نشان داديم .