---

قابلیت تفسیر پذیری بالا و سادگی فهم درختان تصمیم، آنها را به یکی از پرکاربرد ترین الگوریتم
های یادگیری ماشین تبدیل کرده است. موضوع کلیدی در ساخت درختان تصمیم کارامد و موثر، بکارگیری
روش انشعاب مناسب است. این مقاله یک روش انشعاب جدید جهت تولید درخت مبتنی بر معیار تی‑
آنتروپی برای نقطه انشعاب پیشنهاد می کند. روش ارایه شده روی سه مجموعه داده توسط ۱۱ معیار
ارزیابی، مورد بررسی قرارگرفته است. نتایج نشان می دهد که روش معرفی شده در ساخت درخت تصمیم
نسبت به روش های معروف شاخص جینی، آنتروپی های شانون، تیسالیس و رنی عملکرد دقیقتری دارد
و می تواند به عنوان روش جایگزین در تولید درخت تصمیم مورد استفاده قرار گیرد.

---

با پیشرفت فناوری‌های توالی‌یابی، آزمایش غیرتهاجمی NIPT توسعه یافته است و در غربالگری تریزومی 21 از طریق تشخیص DNA جنین موجود در خون مادر، استفاده می‌شود. برای تحلیل داده‌های  NIPT معمولاً از آزمون Z  استفاده می‌شود. در روش‌های  مورد استفاده برای تشخیص سندرم داون احتمال تشخیص اشتباه وجود دارد. بنابراین ارائۀ روشی که بتواند در کنار روش‌های تشخیصی به‌کار برده شود و کارایی این روش‌ها را بهبود بخشد؛ ضروری است.     هدف اصلی این مقاله طراحی مدلی بر اساس الگوریتم‌های یادگیری ماشین برای تشخیص زودهنگام سندرم داون است؛ به‌طوری‌ که بتوان از این روش‌ها  برای افزایش دقت تشخیص  استفاده کرد. در این مقاله به بهبود روش‌های تشخیصی به کمک الگوریتم‌های یادگیری ماشین  مانند: ماشین بردار پشتیبان، بیز ساده، درخت تصمیم، جنگل تصادفی و نزدیکترین همسایه برای بررسی یک مجموعه دادۀ مربوط به سندرم داون پرداخته شده است.  عملکرد هر یک از مدل‌ها در مجموعه دادۀ سندرم داون بررسی و در نهایت مناسب‌ترین مدل برای این هدف معرفی شده است. نتایج نشان می‌دهند که این الگوریتم‌ها دقت بسیار مناسبی در تشخیص این بیماری دارند.