Enhanced Diabetes Diagnosis Using Ensemble Classifiers with Explainable AI and Oversampling for Imbalanced Data
Notice bibliographique
Résumé
Diabetes risk assessment is a key task in healthcare, aiming to identify individuals at risk and initiate early interventions to slow disease progression. Diabetes remains a critical global health concern, necessitating early and accurate diagnostic tools to mitigate long-term complications. This study proposes an enhanced diabetes prediction framework utilizing ensemble machine learning classifiers, explainable AI (XAI), and oversampling technique-SMOTE to address data imbalance. Leveraging the PIMA Indian Diabetes Dataset, the study conducts extensive preprocessing, including outlier handling, skewness correction using Box-Cox transformation, and feature selection via ANOVA F -score. Ensemble classifiers-Random Forest, Extra Trees, Voting, and Stacking were evaluated using evaluation metrics. Among these, the Extra Trees Classifier achieved the highest accuracy of 96.58%, while Random Forest demonstrated strong AUC-ROC performance. Explainable AI technique-SHAP was employed to interpret model predictions and identify key influencing features, such as glucose levels, BMI, and age. The results confirm that ensemble models, when integrated with robust preprocessing and interpretability techniques, significantly enhance the reliability and transparency of diabetes diagnosis. This research highlights that Ensemble classifiers are increasingly being used for diabetes diagnosis, employing machine learning methods to improve accuracy and enable early detection. The integration of oversampling (SMOTE), ensemble learning, and explainable AI significantly improved model performance and interpretability, demonstrating strong potential for clinical decision support systems in diabetes diagnosis.
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».