Type 2 Diabetes Prediction Using Machine Learning Algorithms
محل انتشار: فصلنامه زیست پزشکی جرجانی، دوره: 8، شماره: 3
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 429
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JOBJ-8-3_002
تاریخ نمایه سازی: 27 بهمن 1399
چکیده مقاله:
Background and Objectives: Currently, diabetes is one of the leading causes of death in the world. According to several factors diagnosis of this disease is complex and prone to human error. This study aimed to analyze the risk of having diabetes based on laboratory information, life style and, family history with the help of machine learning algorithms. When the model is trained properly, people can examine their risk of having diabetes.
Material and Methods: To classify patients, by using Python, eight different machine learning algorithms (Logistic Regression, Nearest Neighbor, Decision Tree, Random Forest, Support Vector Machine, Naive Bayesian, Neural Network and Gradient Boosting) were analysed. were evaluated by accuracy, sensitivity, specificity and ROC curve parameters.
Results: The model based on the gradient boosting algorithm showed the best performance with a prediction accuracy of %95.50.
Conclusion: In the future, this model can be used for diagnosis diabete. The basis of this study is to do more research and develop models such as other learning machine algorithms.
کلیدواژه ها:
نویسندگان
parisa Karimi Darabi
Department of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran
Mohammad Jafar Tarokh
Department of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :