使用KNN归算和有效的数据挖掘技术预测糖尿病患者的自动化方法

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 公共卫生 公共卫生

背景情况:

• 糖尿病是全球普遍存在的健康问题,特别是在发展中国家.
• 早期发现和管理对于减轻糖尿病并发症至关重要.
• 现有的自动化糖尿病检测方法经常存在准确性问题,并与缺失的数据作斗争.

研究的目的:

• 开发一个强大的自动化糖尿病预测系统.
• 解决糖尿病数据集中缺少数据的挑战.
• 提高糖尿病检测模型的准确性和可靠性.

主要方法:

• 采用了一个堆叠集体投票分类器模型,集成了三个机器学习算法.
• 为了有效处理丢失的数据,使用了K-Nearest Neighbors (KNN) 输入器.
• 拟议的模型与其他七种机器学习技术进行了严格比较,在数据归算和无数据归算的场景中.

主要成果:

• 拟议的模型实现了特殊的性能指标:98.59%的准确性,99.26%的精度,99.75%的回忆,99.45%的F1得分和99.24%的MCC.
• 与仅仅消除缺失值的方法相比,KNN Imputer显著提高了模型性能.
• 开发的模型表现出比现有的糖尿病检测最先进的方法更高的疗效.

结论:

• 该研究强调了KNN Imputer在管理缺失数据以改善糖尿病预测方面的有效性.
• 拟议的堆叠组合模型为自动糖尿病检测提供了一个高度准确和强大的解决方案.
• 这些发现可以帮助医疗专业人员更早地识别问题,并改善糖尿病患者的护理.