Порівняльний аналіз алгоритмів машинного навчання для виявлення діабету за бінарними даними
Тип публікації :
Стаття
Дата випуску :
12 вересня 2024 р.
Автор(и) :
Мова основного тексту :
Англійська
eKNUTSHIR URL :
Том :
78
Випуск :
1
ISSN :
1812-5409
Початкова сторінка :
119
Кінцева сторінка :
127
Цитування :
[APA 7] Лівінська, Г., Скрипник, Д., & Галан-Гарсія, Х. (2024). Comparative study of machine learning algorithms for diabetes detection using binary data. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, 78(1), 119–127. https://doi.org/10.17721/1812-5409.2024/1.23
[ДСТУ] Лівінська Г., Скрипник Д., Галан-Гарсія Х. Comparative study of machine learning algorithms for diabetes detection using binary data. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics. 2024. Vol. 78, no. 1. P. 119—127. DOI: 10.17721/1812-5409.2024/1.23 (date of access: 25.07.2026).
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.
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.64 MB
Контрольна сума :
(MD5):0af49dc9ece178537596edf0ecd65988
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International