Enhancing Diabetes Prediction Based on Pair-Wise Ensemble Learning Model Selection
Notice bibliographique
Résumé
Diabetes, a multifaceted health condition, presents significant challenges in terms of early diagnosis. This has sparked an interest in investigating the efficacy of two-combination ensemble learning (EL) techniques, which have shown potential in heightening the precision of predictions. Although methodologies such as logistic regression (LR), K-nearest neighbors (KNN), naive bayes (NB), support vector machine (SVM), decision tree (DT), and random forest (RF) have been promising when applied in isolation, their collective strength through an ensemble approach is not comprehensively studied. This investigation fills this research void by evaluating different integrations of these methodologies to construct solid predictive systems for diabetes using the pima indian diabetes dataset (PIDD). This approach employs ensemble learning, a strategy that amalgamates several analytical models to improve the reliability of predictions. By strategically synthesizing models like LR, KNN, NB, SVM, DT, and RF, this study aims to utilize the unique advantages that each model offers. Among these combinations, the SVM+RF, KNN+DT, and SVM+DT configurations stand out, delivering impressive accuracy rates of 84 %, 84 %, and 83 % respectively on tests. The effectiveness of the SVM+DT combination is further highlighted through receiver operating characteristic (ROC) curve analysis, showing extraordinary discrimination power with the highest area under the curve (AUC) score reaching 0.9. When comparing these results to findings from contemporary research, the innovative combinations proposed here-namely, SVM+DT, KNN+DT, and SVM+RF-provide enhanced performance, surpassing recent models by margins of 6 %, 6 %, and 4.4 % accordingly. These results underline the advantage of integrating a variety of classifiers to amplify the accuracy of diabetes predictions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».