Порівняльний аналіз алгоритмів машинного навчання для виявлення діабету за бінарними даними
DOI:
https://doi.org/10.17721/1812-5409.2024/1.23Ключові слова:
діагностика цукрового діабету; класифікатор випадкового лісу; машинне навчання; точність класифікаціїАнотація
Поширеність цукрового діабету постійно зростає, і своєчасна діагностика цього захворювання є надзвичайно важливою в системі охорони здоров’я. Сьогодні, окрім передових медичних технологій, є можливість швидко та якісно обробляти великі обсяги інформації, зокрема медичної. Хворі на цукровий діабет навіть на ранніх стадіях мають певну схожість симптомів і закономірностей, що дає можливість ефективно діагностувати захворювання на основі легко отриманих клінічних даних. У цій роботі ми порівнюємо точність різних алгоритмів машинного навчання для діагностики діабету на двійкових даних, які не включають лабораторні тести і можуть бути отримані шляхом анкетування пацієнта. Усі моделі класифікації даних базового датасету дають хороші результати та показують можливість ідентифікації осіб, які ймовірно мають недіагностований діабет, на основі цих даних. Найкращі результати дає класифікатор випадкового лісу. Для покращення точності класифікації проведено аналіз звʼязків між змінними датасету. Це дозволило зменшити розмірність моделі, видаливши змінні, які не несуть корисної інформації. Окрім того, додатково збалансувано набір даних. Отримані моделі демонструють вищу ефективність, ніж моделі класифікації, побудовані по базовому датасету.
Посилання
Aguilera-Venegas G., López-Molina A., Rojo-Martínez G., Galán-García J.L. (2023). Comparing and tuning machine learning algorithms to predict type 2 diabetes mellitus. Journal of Computational and Applied Mathematics, Vol. 427, 115115.
Battineni, G., Sagaro, G., Nalini, C., Amenta, F., Tayebati, S. K. (2019). Comparative Machine-Learning Approach: A Follow-Up Study on Type 2 Diabetes Predictions by Cross-Validation Methods, Machines, 7, 74.
Frank, E., Hall, M.A., Witten, I.H. (2016). The WEKA Workbench Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Fourth Edition, doi:10.1016/B978-0-12-804291-5.00024-6.
Fregoso‐Aparicio, L., Noguez, J., Montesinos, L., García‐García, J.A. (2021). Machine learning and deep learning predictive models for type 2 diabetes: a systematic review. Diabetol. Metab. Syndr., 13, 148. https://doi.org/10.1186/s13098‐021‐00767‐9.
Hectors, T.L., Vanparys, C., van der Ven, K., Martens, G.A., Jorens, P.G., Van Gaal, L.F., Covaci, A., De Coen, W., Blust, R. (2011). Environmental pollutants and type 2 diabetes: a review of mechanisms that can disrupt beta cell function. Diabetologia, 54(6), 1273-90.
Islam M.M.F., Ferdousi R., Rahman S., Bushra H.Y. (2020) Likelihood Prediction of Diabetes at Early Stage Using Data Mining Techniques. In: Gupta M., Konar D., Bhattacharyya S., Biswas S. (eds) Computer Vision and Machine Intelligence in Medical Image Analysis. Advances in Intelligent Systems and Computing, vol 992. Springer, Singapore. https://doi.org/10.1007/978-981-13-8798-2_12
Kangra, K., Singh, J. (2023) Comparative analysis of predictive machine learning algorithms for diabetes mellitus. Bulletin of Electrical Engineering and Informatics, 12(3), 1728–1737.
Sadhu, A., Jadli, A. (2021) Early-Stage Diabetes Risk Prediction: A Comparative Analysis of Classification Algorithms. International Advanced Research Journal in Science, Engineering and Technology, 8(2), 193-201.
Wei, S., Zhao, X., Miao, C. (2018). A comprehensive exploration to the machine learning techniques for diabetes identification. In IEEE World Forum on Internet of Things, WF-IoT 2018 – Proceedings.
Kaggle, Prediction of diabetes at early stage: https://www.kaggle.com/datasets/andrewmvd/early-diabetes-classification
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Hanna Livinska, Daria Skrypnyk, José Luis Galán-García
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
