پیش بینی دیابت با استفاده از الگوریتم های Ensemble: تحلیل عملکرد Adaboost، Bagging و Stacking

دیابت یکی از بیماری های مزمن و شایع است که در سراسر جهان میلیون ها نفر را تحت تاثیر قرار داده و تشخیص زودهنگام آن می تواند تاثیر زیادی در مدیریت و کاهش عوارض آن داشته باشد. دیابت به ویژه با ایجاد مشکلات جدی برای سلامتی مانند بیماری های قلبی، نارسایی کلیه و مشکلات چشمی، نیازمند رویکردهای پیشگیرانه و تشخیصی دقیق است. از این رو، استفاده از الگوریتم های یادگیری ماشین برای پیش بینی دیابت به عنوان یک ابزار کارآمد در علم داده ها مورد توجه قرار گرفته است. در این مطالعه، ابتدا عملکرد الگوریتم های یادگیری ماشین تک مدل برای پیش بینی دیابت با استفاده از داده های کلینیکی بررسی شد. الگوریتم هایی مانند درخت تصمیم (J۴۸)، ماشین بردار پشتیبان (SVM)، و ناییو بیز (Naïve Bayes) به طور جداگانه برای پیش بینی دیابت مورد ارزیابی قرار گرفتند. نتایج نشان داد که این الگوریتم ها دقت های نسبی میان ۷۶ تا ۸۱ درصد را به دست آوردند. همچنین، الگوریتم هایی مانند IBK (KNN)، درخت تصادفی (Random Tree) و جنگل تصادفی (Random Forest) موفق به دستیابی به دقت ۱۰۰ درصد در پیش بینی دیابت شدند که نشان دهنده قدرت باالی این مدل ها در یادگیری و تعمیم ویژگی های پیچیده داده ها در مسائل پزشکی است و توانستند تمام بیماران را به درستی شناسایی کنند. برای بهبود نتایج و افزایش دقت پیش بینی، از روش های Ensemble یادگیری ماشین مانند Adaboost، Bagging و Stacking استفاده شد. این الگوریتم های ترکیبی با بهره گیری از چندین مدل مختلف، به منظور تقویت عملکرد کلی مدل به کار می روند. استفاده از این تکنیک ها باعث افزایش دقت پیش بینی شد، به طوری که الگوریتم های Adaboost و Bagging بهبودهایی در دقت و عملکرد نسبت به مدل های تک مدل ارائه دادند. به ویژه، استفاده از تکنیک Stacking با ترکیب مدل های مختلف، نتایج دقیق تری را در پیش بینی دیابت به همراه داشت. این روش ها توانستند به دقت های بهتری دست یابند و عملکرد مدل های یادگیری ماشین را در پیش بینی دیابت به طور چشمگیری بهبود دهند.

کلیدواژه ها:

دیابت ، یادگیری ماشین ، adaboost ، bagging ، stacking ، Random Tree