بررسي الگوريتم‌هاي يادگيري ماشين در تشخيص و پيش‌بيني بيماري ديابت

Investigating Machine Learning Algorithms in the Detection and Prediction of Diabetes.

ديابت يك بيماري شايع در بدن انسان است ودر اثر گروهي از اختلالات متابوليك ايجاد مي‌شود كه در آن سطح قند خون طي يك دوره طولاني بسيار بالا است. اين بيماري اندام هاي مختلف بدن انسان را تحت تاثير قرار داده و موجب آسيب به نواحي مختلف بدن مي‌شود. باتوجه به رشد روز افزون اين بيماري و عوارض آن، پيش بيني دقيق اوليه مي‌تواند فاكتور هاي خطر و شدت درگيري با ديابت را به ميزان قابل توجهي كاهش دهد.با توسعه سريع يادگيري ماشين، مي‌توانيم سرعت، عملكرد و دقت تشخيص بيماري را به كمك الگوريتم هاي طبقه بندي كننده يادگيري ماشين بهبود دهيم. در اين مقاله عمدتا بررسي تشخيص بيماري ديابت را با استفاده از تكنيك هاي يادگيري ماشين هدف قرار مي‌دهيم. انواع اين تكنيك‌ها در بررسي داده‌ها از ديدگاه هاي مختلف و خلاصه كردن آن در تحقيقات موثر واقع مي‌شود. با استفاده از الگوريتم هايي مانند درخت تصميم، جنگل تصادفي، رگرسيون لجستيك، شبكه هاي عصبي مصنوعي، SVM و غيره مي‌توان پيش بيني ديابت را به راحتي و با دقت بالا انجام داد.در اين مطالعه ما از اين تكنيك‌ها استفاده كرده و سعي خواهيم كرد پيش بيني دقيقي در آن مورد بيابيم.علاوه بر اين مجموعه داده هاي مختلفي را با الگوريتم‌ها بررسي و نتايج ‌آنها را با نكات منفي و مثبت ذكر كرده ايم.

Diabetes is a common disease in the human body, resulting from a group of metabolic disorders where blood sugar levels are consistently elevated over an extended period. This condition affects various organs in the human body and can cause damage to different regions. Given the growing prevalence of this disease and its associated complications, accurate early prediction can significantly reduce risk factors and the severity of diabetes. With the rapid advancement of machine learning, we can enhance the speed, performance, and accuracy of disease diagnosis using machine learning classification algorithms. In this article, our primary focus is on examining diabetes diagnosis using machine learning techniques. Various methods of these techniques are explored from different perspectives, summarizing their effectiveness in research. Utilizing algorithms such as decision trees, random forests, logistic regression, artificial neural networks, SVM, and more, diabetes prediction can be easily and accurately accomplished. In this study, we employ these techniques and aim to achieve precise predictions. Furthermore, we analyze different datasets with these algorithms, highlighting both their positive and negative aspects.