مروری بر الگوریتم فراابتکاری برای پیش بینی دیابت بر اساس ویژگی

سالانه صدها میلیون نفر در سراسر جهان مبتلا به بیماری دیابت می شوند. در این مقاله یک مدل یادگیری ماشین که می تواند عوامل مختلفی که ممکن است روی میزان خطر ابتلای افراد به این بیماری تاثیر بگذارد را تجزیه و تحلیل کند.این یک ویژگی جدید مبتنی بر طبقه بندی است که از بهینه سازی گرگ خاکستری GWO و بهینه سازی ذرات انطباقی APSO و بهینه سازی پرسپترون چند لایه MLP برای کاهش تعداد ورودی مورد نیاز استفاده می شود و همچنین نتا یج بدست امده با استفاده از این روش و چندین رویکرد الگوریتم یادگیری ماشین معمولی مانند ماشین بردار پشتیبان ،درخت تصمیم،نزدیک ترین همسایه ،طبقه بندی کننده ساده و جنگل تصادفی رگرسیون لجستیک را مقا یسه کرد یم نتایج محاسباتی روش پیشنهادی ما نشان می دهد که نه تنها به ویژگی های بسیار کمتری نیاز است ، بلکه میتواند به دقت پیش بینی بالاتری دست یابد و این کار پتانسیل این را دارد که در عمل بالینی قابل اجرا باشد و به ابزاری حمایتی برای پزشکان تبدیل شود

کلیدواژه ها:

شبکه عصبی ، دیابت اولیه ، انتخاب ویژگی ، پرسپترون چند لایه ، بهینه سازی گرگ خاکستری