تحسين أداء تصنيف التقزم باستخدام تقنية SMOTE المدمجة وخوارزمية الشبكة العصبية الاصطناعية

تعد تنمية الطفل جوهر مستقبل الأمة. ومع ذلك، لا تزال هناك مشاكل خطيرة تعيق النمو الأمثل للطفل، واحدة منها هي التقزم. يعتبر التقزم حالة أصبحت محل قلق عالمي في سياق الصحة العامة والتنمية. إن استخدام خوارزميات التعلم العميق لديه القدرة الكبيرة على التغلب على مشكلة تصنيف التقزم. لا يزال معدل التعامل مع التقزم مشكلة بسبب عدم توازن البيانات. ستعاني خوارزميات التصنيف مثل ANN من تراجع في الأداء عندما تواجه فئات غير متوازنة، مما يجعل من الصعب اتخاذ إجراء للتشخيص المبكر للتقزم. تُستخدم تقنية الزيادة الصناعية للأقليات (SMOTE) لتحقيق توازن في بيانات الفشل في التشخيص. أظهرت النتائج أن مزيج تقنية SMOTE يمكن أن يحسن قدرة نموذج خوارزمية ANN على تصنيف سكان التقزم أو الأقليات بدقة. كانت قيم الدقة والدقة والاسترجاع وF1-Score في هذه الدراسة 0.90 و0.85 و0.95، على التوالي. حققت نتائج (MCC) قيمة قدرها 0.73، و(G-Mean) قدرها 0.86 قبل تطبيق SMOTE، والنتائج بعد تطبيق SMOTE كانت MCC 0.84 وG-Mean 0.92. يشير ذلك إلى أنه يمكن تقدير مجموعة الأقلية، وهي الأطفال الصغار المصابين بالتقزم، بشكل جيد. أثبت تنفيذ مزيج SMOTE وANN نجاحه في تصنيف بيانات التقزم غير المتوازنة، لذا يمكن استخدام هذا البحث كمصدر مرجعي للأبحاث المستقبلية للتعامل مع البيانات غير المتوازنة.