زمینه و هدف: تشخیص به موقع عملکرد غیرطبیعی تیروئید و به دنبال آن در پیش گرفتن درمان صحیح، می تواند باعث کاهش مر گومیر مرتبط با این بیماری شود. هم چنین عدم تشخیص ب هموقع، عوارض جبران ناپذیری برای بیمار در پی خواهد داشت. این مطالعه، با هدف تعیین وضعیت غده تیروئید از نظر نرمال بودن، پرکاری یا کم کاری با استفاده از تکنیک های داده کاوی انجام شده است. روش بررسی: تولید مدل پیش بینی کننده ب همنظور طبقه بندی بیماری تیروئید، پس از پی شپردازش داده ها با استفاده از رو شهای نظارت شده و بدون ناظر انجام گردید. این مطالعه از نوع تحلیلی بوده و پایگاه داده ی آن شامل 215 رکورد مستقل مبتنی بر 5 می باشد. UCI ویژگی پیوسته و برگرفته شده از مرجع داده یادگیری ماشین یافت هها: در روش نظار تشده از شبکه های عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر و شبکه عصبی فازی و در روش 0 و / 0 و 274 / به ترتیب دق تهای 055 )RMSE( بدون نظارت از خوشه بندی فازی استفاده گردید. با روش حداقل مربعات خطا 1 حاصل شد. / 0/012 و 031 نتیجه گیری: کاهش خطای تشخیص بیماری تیروئید یکی از اهداف محققان بوده است. استفاده از روش های مبتنی بر داد هکاوی می تواند به کاهش این خطا کمک کند. در این مطالعه تشخیص بیماری تیروئید به کمک روش های مختلف تشخیص الگو صورت گرفت. نتایج نشان می دهد که مدل عصبی فازی دارای حداقل میزان خطا و بیشترین دقت است.
