عنوان مقاله:

نویسندگان:

محمد گل زوری، پارسا ذاکرحیات، زهرا محمدی فرد

دیابت نوع ۲ یکی از بیماری های متابولیکی شایع است که در صورت تشخیص دیرهنگام می تواند منجر به بروز عوارض حادی مانند مشکلات قلبی و عروقی، آسیب های عصبی و نارسایی کلیه منجر شود. لذا، تشخیص زودهنگام این بیماری بسیار حیاتی است چراکه می تواند از بروز شدید عوارض جلوگیری کرده و کیفیت زندگی بیمار را بهبود دهد. با توسعه فناوری های داده کاوی و هوش مصنوعی، الگوریتم های یادگیری ماشین به ابزاری برای تحلیل داده های بالینی و پیش بینی بیماری دیابت بدل شده اند. در این مقاله عملکرد سه الگوریتم پراهمیت جنگل تصادفی ، ماشین بردار پشتیبان و شبکه های عصبی مصنوعی بر روی مجموعه ای از داده ها مورد بررسی و مقایسه قرار گرفته است. پیش پردازش داده ها در چند مرحله شامل: حذف مقادیر گمشده، نرمال سازی و انتخاب ویژگی های مؤثر که گام های اولیه در تحلیل داده ها هستند، صورت گرفته است. عملکرد هر الگوریتم با درنظر گرفتن معیارهایی چون حساسیت ، دقت ، اختصاص پذیری و دقت پیش بینی مورد بررسی قرار گرفته است. باتوجه به نتایج به دست آمده الگوریتم جنگل تصادفی عملکرد بهتری در تشخیص بیماران مبتلا به دیابت نوع ۲ ارائه می دهد.

داده‌کاوی، تشخیص زودهنگام، دیابت نوع ۲، یادگیری ماشین.

برای لینک‌دهی به این مقاله از آدرس زیر استفاده نمایید:

برای ارجاع در منابع از عبارت زیر استفاده کنید:
گل زوری، محمد، ذاکرحیات، پارسا، محمدی فرد، زهرا، 1404، بهبود پیش‌بینی دیابت نوع ۲ با الگوریتم‌های طبقه‌بندی: بررسی و تحلیل ویژگی‌های مؤثر، بیست و یکمین کنفرانس ملی دانشجویی مهندسی برق ایران، https://conference.uok.ac.ir/fa/archive_index.php?c=HN-iscee21&aid=1517970