Data Classification of Early-Stage Diabetes Risk Prediction Datasets and Analysis of Algorithm Performance Using Feature Extraction Methods and Machine Learning Techniques

Abstract

Diyabet bugün dünyada en yaygın hastalıklardan biridir ve kalp hastalıkları, koroner hastalıklar, göz hastalıkları, böbrek hastalıkları ve hatta sinir hasarı gibi diğer birçok kritik veya ölümcül hastalığın gelişiminde de rol oynayan bir hastalıktır. Bu nedenle erken teşhis büyük önem taşımaktadır. Makine öğrenimi tekniklerinin ve yapay zekanın gelişmesiyle birlikte hastalık risklerinin tahmin edilmesi, araştırmacılar ve tıp doktorları tarafından geniş çapta kabul görmeye ve uygulanmaya başlamıştır. Bu çalışmada erken başlangıçlı diyabetin prognozu için bir makine öğrenmesi tekniği önerilmiştir. MATLAB grafik kullanıcı arayüzü (GUI) kullanılarak bir arayüz tasarlanmıştır. Sarıcı tabanlı Parçacık Sürü Optimizasyonu (PSO), Ağaç Tohumu Algoritması (TSA), Karga Arama Algoritması (CSA), Balçık Kalıp Algoritması (SMA), ve Yapay Arı Kolonisi (ABC) algoritmaları, gerekli girdi özniteliklerini azaltmak ve seçmek için kullanıldı. Bu algoritmalarla elde edilen sonuçlar, Karar Ağacı (DT), Rastgele Orman (RF), Destek Vektör Makinesi (SVM), K En Yakın Komşu (kNN) ve İleri Beslemeli Sinir Ağları (FFNN) gibi geleneksel makine öğrenme algoritmaları kullanılarak karşılaştırılmıştır. Sarmalayıcı tabanlı öznitelik seçme ve öznitelik indirgeme yöntemlerinde diyabet tanısında kullanılan 16 öznitelik PSO yöntemiyle 10 öznitelik, TSA yöntemiyle 9 öznitelik, CSA yöntemiyle 13 öznitelik, SMA yöntemiyle 6 öznitelik ve ABC yöntemiyle 8 öznitelik vardır. belirlendi. Her bir ilgili yöntemle belirlenen özellikler daha sonra makine öğrenme algoritmaları kullanılarak sınıflandırıldı. Sonuçlara dayalı olarak yöntemler, PSO + SVM = 97 başarı oranları ile en iyi sınıflandırma performanslarını göstermiştir.