شناسایی ویژگی‌های موثر برای پیش‌بینی دیابت نوع 2 با استفاده از روش‌های نوین انتخاب ویژگی تصادفی مبتنی بر Wrapper

Abstract

دیابت ملیتوس نوع 2 یک اختلال متابولیک مزمن است که با هایپرگلیسمی ناشی از مقاومت به انسولین یا کمبود آن مشخص می‌شود. بر اساس برآوردها، در سال 2021 حدود 537 میلیون بزرگسال دچار دیابت بودند که بخش قابل توجهی از آن به دیابت نوع 2 نسبت داده می‌شود. این موضوع نشان می‌دهد که تمرکز بر راهکارهای پیشگیری، تشخیص زودهنگام و مدیریت دیابت نوع 2 بسیار حیاتی است. این پژوهش به بررسی عملکرد روشهای مختلف انتخاب ویژگی در مدلهای یادگیری ماشین برای پیشبینی بیماری دیابت نوع 2 می‌پردازد. در این تحقیق، از روشهای مختلف و نوین انتخاب ویژگی مبتنی بر wrapper برای شناسایی مهمترین ویژگی‌ها استفاده شده است. الگوریتم‌های طبقه‌بندی شامل KNN ،درخت تصمیم، SVM ،جنگل تصادفی و MLP روی دو مجموعه‌داده استاندارد Diabetes Indian Pima و Diabetes Mendeley مورد ارزیابی قرار گرفته‌اند. نتایج با استفاده از معیارهای ارزیابی مانند دقت، ویژگی، صحت، حساسیت، measure-F1 و منحنی ROC مقایسه و بررسی می‌شوند. ویژگیهای انتخاب‌شده در مجموعهداده Pima شامل گلوکز، شاخص توده بدنی، سن و فشار خون، و در مجموعهداده Mendeley شامل HbA1c ،BMI و کلسترول هستند. این ویژگیها بالاترین میزان دقت را به‌ترتیب با مقادیر ٪77.3 و ٪98 توسط روش انتخاب ویژگی ERSFS در مجموعه‌داده‌های Pima و Mendeley نشان می‌دهند. پژوهش حاضر پتانسیل روش‌های انتخاب ویژگی را در بهبود عملکرد طبقه‌بندی دیابت نوع 2 آشکار می‌سازد و میتواند به پزشکان و محققان در توسعه و استفاده از ابزارهای تشخیصی دقیق‌تر برای این بیماری کمک کند. همچنین، این تحقیق بینش ارزشمندی درباره مهمترین عوامل مؤثر بر پیشبینی ابتال به دیابت نوع 2 ارائه می‌دهد.