fa طبقه‌بندی تعداد فرزندان زنده به دنیا آمده با استفاده از مدل کارت (CART) پزشکی عمومى General medicine تحقیقی Original article <p dir="RTL"><strong>زمینه و هدف: </strong>تحلیل ممیزی و رگرسیون لجستیک از روش‌های کلاسیک در زمینه طبقه‌بندی داده‌ها در بسیاری از مطالعات هستند. با این‌حال، استفاده از این روش‌ها گاه به‌دلیل عدم برقراری پیش‌فرض‌های لازم، نتایج کارایی به دنبال ندارد. هدف از پژوهش حاضر، استفاده از مدل درخت تصمیم برای طبقه‌بندی تعداد فرزندان زنده به دنیا آمده به منظور ارائه روشی کارا در طبقه‌بندی داده‌های جمعیتی می‌باشد.</p> <p dir="RTL"><strong>روش بررسی: </strong>در این پژوهش از مدل درختی کارت <strong>(</strong><strong><span dir="LTR">CART</span></strong><strong>)</strong> با استفاده از شاخص افراز جینی برای طبقه‌بندی تعداد فرزندان زنده به دنیا آمده، استفاده شد. داده های حاصل از بررسی رفتارهای ازدواج و باروری زنان حداقل یکبار ازدواج کرده، 49-15 ساله در استان سمنان-1391 استفاده شد. 405 زن 49- 15 ساله حداقل یکبار ازدواج کرده، نمونه پژوهش را تشکیل دادند.</p> <p dir="RTL"><strong>یافته‌ها: </strong>زنان کوهورت‌های موالید اول و دوم که در سنین پایین ازدواج کرده‌اند،3 فرزند زنده و زنانی که در سن بالاتر ازدواج کرده‌اند، 2 فرزنده زنده به دنیا آورده‌اند. زنان کوهورت‌ موالید سوم که در سنین پایین ازدواج کرده و شاغلند 2 فرزنده زنده و غیرشاغلین، بسته به نوع ازدواجشان که خویشاوندی یا غیر خویشاوندی بوده به ترتیب 0 و 1 فرزند زنده به دنیا آورده‌اند. زنان کوهورت‌ موالید سوم که در سن بالاتر ازدواج کرده‌اند 1 فرزند زنده به دنیا آورده‌اند.</p> <p dir="RTL" style="margin-right: 1.3pt;">&nbsp;<strong>نتیجه‌گیری: </strong>از مزایای مهم مدل کارت، سادگی در تفسیر نتایج، آزاد توزیع بودن متغیرهای به کار رفته در ساخت درخت و نحوه برخورد آن با داده‌های گمشده و دورافتاده می باشد که استفاده از آن را افزایش داده است. درنتیجه &nbsp;روشی مناسب برای طبقه‌بندی داده‌های جمعیتی در مقایسه با سایر روش‌های مدل سازی کلاسیک در شرایط عدم برقراری پیش‌فرض‌های لازم &nbsp;می‌باشد.</p> <p><strong>Backgro</strong><strong>und and Objective: </strong>Discriminant analysis and logistic regression are classical methods for classifying data in several studies. However, these models do not lead in valid results due to not meeting all necessary assumptions. The purpose of this study was to classify the number of <em>Children</em><em> Ever Born (CEB)</em> using decision tree model in order to present an efficient method to classify demographic data.</p> <p></p> <p><strong>Methods:</strong> In the present study, CART tree model with Gini splitting rule was fitted to classify the number of CEB in fertility behavior of at least once married 15-49 year-old women, in Semnan-2012. 405 women aged 15-49 years old comprised the survey sample.</p> <p></p> <p><strong>Results: </strong>Women in first and second birth cohorts who had married at an early age had 3 CEB while women who had married at an older age had 2 CEB. Women in third birth cohort who had married at an early age and were employed, had 2 CEB while unemployed women in this cohort whose type of marriages were familial and non-familial had 0 and 1 CEB respectively. Women in the third birth cohort who were married in older age had 1 CEB.</p> <p></p> <p><strong>Conclusion:</strong> Among important advantages of CART model are the simplicity in interpretation, using distribution-free measures, considering missing data and outliers for construction trees which has increased the usage of this method. Therefore, this method is a suitable way for classifying demographic data in comparison to other classical modeling methods in the conditions that necessary assumptions are not met.</p> طبقه‌بندی, درخت تصمیم, مدل کارت, شاخص افراز جینی, تعداد فرزندان زنده به دنیا آمده. Classification, Decision Tree, CART Model, Gini Splitting Rule, Children Ever Born (CEB) 46 64 http://goums.ac.ir/jorjanijournal/browse.php?a_code=A-10-24-74&slc_lang=fa&sid=1 Arezoo Bagheri آرزو باقری No Tehran, Iran مؤسسه مطالعات و مدیریت جامع و تخصصی جمعیت کشور، آمار کاربردی، تهران Mahsa Saadati مهسا سعادتی mahsa.saadati@gmail.com Yes Tehran, Iran مؤسسه مطالعات و مدیریت جامع و تخصصی جمعیت کشور، آمار زیستی، تهران