بررسی و بهبود عملکرد مدل های یادگیری ماشین در تشخیص دیابت با استفاده از مهندسی ویژگی و بهینه سازی مبتنی بر الگوریتم ژنتیک

دیابت یکی از شایع ترین بیماری های مزمن غیرواگیر در جهان است که تشخیص زودهنگام آن نقش مهمی در کاهش عوارض و بهبود کیفیت زندگی بیماران دارد. پژوهش حاضر با هدف ارتقاء دقت تشخیص دیابت از طریق بهره گیری از قدرت مدل های یادگیری ماشین و اعمال رویکردهای نوین مهندسی ویژگی و الگوریتم ژنتیک صورت گرفته است. در این راستا، مجموعه داده ای متشکل از شاخص های سلامت مرتبط با دیابت به عنوان مبنای تحلیل مورد استفاده قرار گرفت. فرآیند پژوهش شامل سه مرحله کلیدی بود: در گام نخست، عملکرد مدل های یادگیری ماشین منتخب (جنگل تصادفی، CatBoost، رگرسیون لجستیک، LightGBM، XGBoost و MLP) بر روی داده های خام مورد ارزیابی قرار گرفتند. در مرحله دوم، به منظور بهبود تمایز بین افراد مبتلا و غیرمبتلا به دیابت، تکنیک های مهندسی ویژگی برای استخراج و انتخاب ویژگی های مهم تر اعمال گردید. سوم، از الگوریتم ژنتیک به عنوان یک روش بهینه سازی فراتکاملی برای یافتن زیرمجموعه بهینه از ویژگی ها و تنظیم دقیق هایپرپارامترهای مدل های یادگیری ماشین استفاده شد. نتایج به دست آمده نشان داد که استفاده از استراتژی مهندسی ویژگی و الگوریتم ژنتیک منجر به افزایش قابل توجه در عملکرد تشخیص دیابت گردیده است. یافته ها نشان می دهد که استفاده هوشمندانه از روش های پیش پردازش و بهینه سازی در چارچوب یادگیری ماشین می تواند به طور موثری در ارتقاء تشخیص بیماری ها نقش آفرینی کند.

کلیدواژه ها:

تشخیص دیابت ، یادگیری ماشین ، مهندسی ویژگی ، بهینه سازی فراتکاملی ، الگوریتم ژنتیک