procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2020-4-33-41procyber-331Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringАНАЛИЗ ВХОДНЫХ ПАРАМЕТРОВ ЭКСПЕРТНОЙ СИСТЕМЫ РАННЕЙ ДИАГНОСТИКИ ЗАБОЛЕВАНИЯANALYSIS OF INPUT PARAMETERS OF THE EXPERT SYSTEM FOR EARLY DIAGNOSIS OF THE DISEASEСеробабовА. С.SerobabovA. S.

E-mail: aserobabow95@mail.ru

E-mail: aserobabow95@mail.ru

Омский государственный технический университет, Омск, РоссияРоссияOmsk State Technical University, Omsk, RussiaRussian Federation20200102202104 (40)3341Copyright © Серобабов А.С., 20212021Серобабов А.С.Serobabov A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/331

В статье рассмотрены вопросы подготовки входных параметров экспертной системы к этапу создания продукционных правил. Проведен анализ возможности понижения размерности (редуцирования) входных параметров с помощью метода главных компонент и факторного анализа. Оценка адекватности генеральной выборки для построения факторной модели проверена тестом Бартлетта и критерием Кайзера – Мейера – Олкина. Модель подвергнута качественным оценкам (доля объясненной дисперсии, общность факторов и интерпретируемость модели). По полученным факторам построены графики корреляционной связи с входными параметрами и представлены в виде карты взаимосвязей. В результате получена модель, состоящая из двух факторов, которая свидетельствует, что входные параметры системы имеют сложную взаимосвязь и не могут быть редуцированы.

The article describes the preparation of input parameters of the expert system for the construction phase of production rules. The analysis of the possibility of dimensional reduction of input parameters by factor analysis methods such as principal component analysis and factor analysis is made. The adequacy assessment of the general sample for constructing a factor model is verified by Bartlett's test and the Kaiser-Meyer-Olkin Test. The model is subjected to qualitative assessments: the proportion of explained variance, the generality of factors, and the interpretability of the model. Based on the obtained factors, correlation graphs with input parameters are plotted, and graphically represented as a map of relationships. As a result, a model consisting of two factors is obtained, which indicates that the input parameters of the system have a complex correlation and cannot be reduced.

факторный анализметод главных компоненттест Бартлеттакритерий Кайзера – Мейера – Олкинаэкспертная система диагностики заболевания.factor analysisprincipal component analysisBartlett's testKaiser-Meyer-Olkin Testexpert system for diagnosis of disease.ReferencesPolat K., Şahan S., Kodaz H., Güneş S. Breast Cancer and Liver Disorders Classification using Artificial Immune Recognition System (AIRS) with Performance Evaluation by Fuzzy Resource Allocation Mechanism // Expert Systems with Applications. 2007. Vol. 32. Iss. 1. P. 172–183.Polat K., Şahan S., Kodaz H., Güneş S. Breast Cancer and Liver Disorders Classification using Artificial Immune Recognition System (AIRS) with Performance Evaluation by Fuzzy Resource Allocation Mechanism // Expert Systems with Applications. 2007. Vol. 32. Iss. 1. P. 172–183.Rizzo L., Longo L. An Empirical Evaluation of the Inferential Capacity of Defeasible Argumentation, Non-Monotonic Fuzzy Reasoning and Expert Systems // Expert Systems with Applications. 2020. Vol. 147. P. 113220. DOI 10.1016/j.eswa.2020.113220.Rizzo L., Longo L. An Empirical Evaluation of the Inferential Capacity of Defeasible Argumentation, Non-Monotonic Fuzzy Reasoning and Expert Systems // Expert Systems with Applications. 2020. Vol. 147. P. 113220. DOI 10.1016/j.eswa.2020.113220.Osuagwu C. C., Okafor E. Framework for Eliciting Knowledge for a Medical Laboratory Diagnostic Expert System // Expert Systems with Applications. 2010. Vol. 37, Iss. 7. P. 5009–5016. DOI 10.1016/j.eswa.2009.12.012.Osuagwu C. C., Okafor E. Framework for Eliciting Knowledge for a Medical Laboratory Diagnostic Expert System // Expert Systems with Applications. 2010. Vol. 37, Iss. 7. P. 5009–5016. DOI 10.1016/j.eswa.2009.12.012.Abdar M., Zomorodi-Moghadam M., Das R., Ting I-H. Performance Analysis of Classification Algorithms on Early Detection of Liver Disease // Expert Systems with Applications. 2017 Vol. 67. P. 239–251.Abdar M., Zomorodi-Moghadam M., Das R., Ting I-H. Performance Analysis of Classification Algorithms on Early Detection of Liver Disease // Expert Systems with Applications. 2017 Vol. 67. P. 239–251.Altay E. V., Alatas B. A Novel Clinical Decision Support System for Liver Fibrosis using Evolutionary Multi-Objective Method Based Numerical Association Analysis // Medical Hypotheses. 2020. Vol. 144. P. 110028.Altay E. V., Alatas B. A Novel Clinical Decision Support System for Liver Fibrosis using Evolutionary Multi-Objective Method Based Numerical Association Analysis // Medical Hypotheses. 2020. Vol. 144. P. 110028.Weeraratne N. C. The Effectiveness of Factor Analysis as a Statistical Tool of Variable Reduction Technique // International Journal of Core Engineering and Management. 2016. Vol. 3. P. 145–153.Weeraratne N. C. The Effectiveness of Factor Analysis as a Statistical Tool of Variable Reduction Technique // International Journal of Core Engineering and Management. 2016. Vol. 3. P. 145–153.Вирстюк А. Ю., Микшина В. С. Применение факторного анализа для редукции признакового пространства нагнетательных скважин // Вестник кибернетики. 2018. № 2. С. 172–178.Вирстюк А. Ю., Микшина В. С. Применение факторного анализа для редукции признакового пространства нагнетательных скважин // Вестник кибернетики. 2018. № 2. С. 172–178.Li S., Sari Y. A., Kumral M. New Approaches to Cognitive Work Analysis through Latent Variable Modeling in Mining Operations // International Journal of Mining Science and Technology. 2019. Vol. 29. Iss. 4. P. 549–556. DOI 10.1016/j.ijmst.2019.06.014.Li S., Sari Y. A., Kumral M. New Approaches to Cognitive Work Analysis through Latent Variable Modeling in Mining Operations // International Journal of Mining Science and Technology. 2019. Vol. 29. Iss. 4. P. 549–556. DOI 10.1016/j.ijmst.2019.06.014.Баранов В. В., Белоновская И. Д., Чепасов В. И. Факторный анализ как инструмент педагогического знания о саморазвитии студента университетского комплекса // Вестн. Оренбург. гос. ун-та. 2012. № 2. С. 145–148.Баранов В. В., Белоновская И. Д., Чепасов В. И. Факторный анализ как инструмент педагогического знания о саморазвитии студента университетского комплекса // Вестн. Оренбург. гос. ун-та. 2012. № 2. С. 145–148.Серобабов А. С., Чебаненко Е. В., Денисова Л. А., Кролевец Т. С. Разработка экспертной системы ранней диагностики заболеваний: программные средства первичной обработки и выявление зависимостей // Омск. науч. вестн. 2018. № 4 (160). C. 179–184.Серобабов А. С., Чебаненко Е. В., Денисова Л. А., Кролевец Т. С. Разработка экспертной системы ранней диагностики заболеваний: программные средства первичной обработки и выявление зависимостей // Омск. науч. вестн. 2018. № 4 (160). C. 179–184.Серобабов А. С. Формирование диапазонов переменных экспертной системы с использованием дерева принятия решений // Journal of advanced research in technical science. 2019. № 17–2. C. 161–166.Серобабов А. С. Формирование диапазонов переменных экспертной системы с использованием дерева принятия решений // Journal of advanced research in technical science. 2019. № 17–2. C. 161–166.Серобабов А. С. Проверка входных параметров экспертной системы на соответствие нормальному закону распределения // Проблемы и перспективы студен. науки. 2019. № 2 (6). C. 3–6.Серобабов А. С. Проверка входных параметров экспертной системы на соответствие нормальному закону распределения // Проблемы и перспективы студен. науки. 2019. № 2 (6). C. 3–6.Factor Analyzer package. URL: https://factor analyzer.readthedocs.io/en/latest/factor_analyzer.html (дата обращения: 11.10.2020).Factor Analyzer package. URL: https://factor analyzer.readthedocs.io/en/latest/factor_analyzer.html (дата обращения: 11.10.2020).Kaiser H. F. An Index of Factorial Simplicity // Psychometrika. 1974. Vol. 39. № 1. P. 31–36.Kaiser H. F. An Index of Factorial Simplicity // Psychometrika. 1974. Vol. 39. № 1. P. 31–36.Barlett M. S. Properties of Sufficiency and Statistical Tests // Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences. 1937. Vol. 160. P. 268–282.Barlett M. S. Properties of Sufficiency and Statistical Tests // Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences. 1937. Vol. 160. P. 268–282.Principal component analysis. URL: https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html (дата обращения: 11.10.2020).Principal component analysis. URL: https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html (дата обращения: 11.10.2020).Костюченко О. А. Анализ математической модели объѐма производства продукции и прогнозирование выручки // Концепт. 2014. № 3. URL: https://cyberleninka.ru/article/n/analizmatematicheskoy-modeli-obyoma-proizvodstva-produktsii-i-prognozirovanie-vyruchki (дата обращения: 12.10.2020).Костюченко О. А. Анализ математической модели объѐма производства продукции и прогнозирование выручки // Концепт. 2014. № 3. URL: https://cyberleninka.ru/article/n/analizmatematicheskoy-modeli-obyoma-proizvodstva-produktsii-i-prognozirovanie-vyruchki (дата обращения: 12.10.2020).

The authors declare that there are no conflicts of interest present.