مروری نظام مند بر الگوریتم های یادگیری ماشین نظارت شده برای پیش بینی دیابت بارداری

پیش بینی دیابت بارداری با استفاده از الگوریتم های یادگیری ماشین نظارت شده به دلیل توانایی این الگوریتم ها در تحلیل داده های پیچیده و پیش بینی دقیق، مورد توجه زیادی قرار گرفته است. در این مقاله مروری، الگوریتم های یادگیری ماشین نظارت شده پر کاربرد در پیش بینی دیابت بارداری شامل الگوریتم هایی نظیر درخت تصمیم، الگوریتم k- نزدیک ترین همسایه، ماشین بردار پشتیبانی، و مدل های یادگیری جمعی به صورت نظام مند بررسی شده اند. نتایج مطالعات منتخب نشان می دهد که الگوریتم های یادگیری جمعی و روش های مبتنی بر تقویت، در صورت استفاده از داده های مناسب و پیش پردازش صحیح، به دقت هایی بالاتر از ۸۰٪ و در برخی موارد تا حدود ۹۷٪ دست یافته اند. چالش های اساسی از جمله کیفیت داده ها، عدم توازن کلاس ها و تفسیرپذیری مدل ها نیز مورد بحث قرار گرفته است. این مرور، چارچوبی منسجم از الگوریتم ها و ویژگی های موثر در پیش بینی دیابت بارداری ارائه می دهد و مسیرهای پژوهشی آینده در توسعه مدل های توضیح پذیر و بهبود دقت پیش بینی را نشان می دهد.

کلیدواژه ها:

دیابت بارداری ، یادگیری نظارت شده ، الگوریتم های یادگیری جمعی ، انتخاب ویژگی