تشخيص ديابت در زنان به كمك الگوريتم Decision Tree

Diagnosing diabetes in women using Decision Tree algorithm

ديابت چهارمين عامل مرگ و مير در دنيا است؛ و از آنجايي كه بسياري از مردم جهان به اين بيماري مبتلا و يا در معرض خطر آن هستند، مي توان ديابت را بيماري قرن ناميد. پياده سازي روشي كه بتواند امكان ابتلا يا عدم ابتلاي افراد به ديابت را مشخص كند، گام مهمي در كنترل بيماري ديابت خواهد بود. از طرفي كاوش و بررسي حجم زيادي از اين اطلاعات، نيازمند استفاده از روش هاي موثر وكارآمدي براي يافتن الگوهاي مربوط در اين اطلاعات است. امروزه تكنيك‌هاي تحليل داده و يادگيري ماشين در زمينه تشخيص پزشكي در حال افزايش است. در اين مطلب مدلي براي پيش‌بيني و تشخيص بيماري ديابت پيشنهاد شده‌است. در مدل پيشنهادي از درخت تصميم به عنوان يك روش براي طبقه‌بندي داده‌ها استفاده شده‌است. به منظور دستيابي به نتيجه تجربي، از مجموعه داده اي از مخزن يادگيري ماشين UCI استفاده كرده ايم. نتايج نشان مي‌دهد درخت تصميم مبتني بر معيار صحت Accuracy به همراه هرس كردن درخت تصميم در مقايسه با ديگر روش‌هاي بررسي شده به دقت بالاتري رسيده است. نتايج حاصل از سيستم پيشنهادي براي تكنيك مورد استفاده دقت 72.63٪ به دست آمده است.

Diabetes is the fourth cause of death in the world; And since many people in the world have this disease or are at risk of it, diabetes can be called the disease of the century. Implementing a method that can determine whether or not people have diabetes will be an important step in controlling diabetes. On the other hand, exploring and examining a large amount of this information requires the use of effective and efficient methods to find relevant patterns in this information. Today, data analysis and machine learning techniques are increasing in the field of medical diagnosis. In this article, a model for predicting and diagnosing diabetes is proposed. In the proposed model, decision tree is used as a method for data classification. In order to achieve the experimental result, we have used a dataset from the UCI machine learning repository. The results show that the decision tree based on the Accuracy criterion along with decision tree pruning has reached a higher accuracy compared to other investigated methods. The results of the proposed system for the used technique have obtained an accuracy of 72.63%.