فهرس المقالات Logistic Regression

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - رشد شهري و عوامل محرك آن، مطالعه موردي: كلانشهر تهران
  آزادی کاویانی رحمت الله فرهودی آزیتا رجبی
  فرايند شهرنشيني و رشد شهري در مناطق مختلف جهان نتيجه تعاملات درهم تنيده ميان فاكتورها و عوامل گوناگون اجتماعي، اقتصادي، سياسي، تكنولوژيك، جغرافيايي و فرهنگي جهاني و محلي است. بر اين اساس، شناسايي عوامل محرك و شكل دهنده رشد شهرها اهميتي حياتي براي برنامه ريزي شهري و توسع أکثر

  فرايند شهرنشيني و رشد شهري در مناطق مختلف جهان نتيجه تعاملات درهم تنيده ميان فاكتورها و عوامل گوناگون اجتماعي، اقتصادي، سياسي، تكنولوژيك، جغرافيايي و فرهنگي جهاني و محلي است. بر اين اساس، شناسايي عوامل محرك و شكل دهنده رشد شهرها اهميتي حياتي براي برنامه ريزي شهري و توسعه پايدار به خصوص در كشورهاي در حال توسعه دارد و به عنوان ابزاري براي پيش بيني روندهاي آينده، كنترل و هدايت رشد شهر، سامان بخشيدن به توسعه آتي شهر و در نهايت، مديريت كارآمد و هدفمند شهرها به كار مي رود. هدف اصلي اين مطالعه، شناسايي عوامل محرك و شكل دهنده بيوفيزيكي و اجتماعي ـ اقتصادي رشد كلانشهر تهران است. براي دستيابي به اين هدف، پنج مرحله اصلي شامل: توليد نقشه هاي كاربري، پوشش اراضي براي بررسي تغييرات فضايي- زماني؛ كاربري، پوشش اراضي در شهر تهران و نواحي پيرامون آن با استفاده از تصاوير ماهواره اي؛ شناسايي عوامل محرك رشد شهري با استفاده از رگرسيون لاجستيك؛ استفاده از رويكرد بوم شناسي عاملي براي بررسي عوامل انساني موثر در سيماي شهر تهران؛ و محاسبه متريك هاي فضايي براي كمي سازي ساختار و ويژگي هاي الگوي سيماي سرزمين در كلانشهر تهران با استفاده از نرم افزار Fragstata و بررسي ارتباط ميان الگوي رشد شهري و نواحي اجتماعي با استفاده از رگرسيون چند متغيره مورد توجه قرار گرفته است. نتايج حاصل نشان مي دهد كه فاصله از راه ها و مراكز تجاري شهر تهران در دوره زماني 1379 تا 1393 مهم ترين عوامل بيوفيزيكي شكل دهنده الگوي رشد كلان شهر تهران بوده و در ميان پنج مولفه اجتماعي- اقتصادي، مولفه تراكم جمعيت و اشتغال داراي بيشترين تاثير بر الگوي رشد شهر كلانشهر تهران مي باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Breast Cancer Classification Approaches - A Comparative Analysis
  Mohan Kumar Sunil Kumar Khatri Masoud Mohammadian
  10.52547/jist.33395.11.41.1
  Cancer of the breast is a difficult disease to treat since it weakens the patient's immune system. Particular interest has lately been shown in the identification of particular immune signals for a variety of malignancies in this regard. In recent years, several methods أکثر

  Cancer of the breast is a difficult disease to treat since it weakens the patient's immune system. Particular interest has lately been shown in the identification of particular immune signals for a variety of malignancies in this regard. In recent years, several methods for predicting cancer based on proteomic datasets and peptides have been published. The cells turns into cancerous cells because of various reasons and get spread very quickly while detrimental to normal cells. In this regard, identifying specific immunity signs for a range of cancers has recently gained a lot of interest. Accurately categorizing and compartmentalizing the breast cancer subtype is a vital job. Computerized systems built on artificial intelligence can substantially save time and reduce inaccuracy. Several strategies for predicting cancer utilizing proteomic datasets and peptides have been reported in the literature in recent years.It is critical to classify and categorize breast cancer treatments correctly. It's possible to save time while simultaneously minimizing the likelihood of mistakes using machine learning and artificial intelligence approaches. Using the Wisconsin Breast Cancer Diagnostic dataset, this study evaluates the performance of various classification methods, including SVC, ETC, KNN, LR, and RF (random forest). Breast cancer can be detected and diagnosed using a variety of measurements of data (which are discussed in detail in the article) (WBCD). The goal is to determine how well each algorithm performs in terms of precision, recall, and accuracy. The variation of each classification threshold has been tested on various algorithms and SVM turned out to be very promising. تفاصيل المقالة