تشخیص دیابت در زنان به کمک الگوریتم decision tree

دیابت چهارمین عامل مرگ و میر در دنیا است؛ و از آنجایی که بسیاری از مردم جهان به این بیماری مبتلا و یا در معرض خطر آن هستند، می توان دیابت را بیماری قرن نامید. پیاده سازی روشی که بتواند امکان ابتلا یا عدم ابتلای افراد به دیابت را مشخص کند، گام مهمی در کنترل بیماری دیابت خواهد بود. از طرفی کاوش و بررسی حجم زیادی از این اطلاعات، نیازمند استفاده از روش های موثر وکارآمدی برای یافتن الگوهای مربوط در این اطلاعات است. امروزه تکنیک‌های تحلیل داده و یادگیری ماشین در زمینه تشخیص پزشکی در حال افزایش است. در این مطلب مدلی برای پیش‌بینی و تشخیص بیماری دیابت پیشنهاد شده‌است. در مدل پیشنهادی از درخت تصمیم به عنوان یک روش برای طبقه‌بندی داده‌ها استفاده شده‌است. به منظور دستیابی به نتیجه تجربی، از مجموعه داده ای از مخزن یادگیری ماشین uci استفاده کرده ایم. نتایج نشان می‌دهد درخت تصمیم مبتنی بر معیار صحت accuracy به همراه هرس کردن درخت تصمیم در مقایسه با دیگر روش‌های بررسی شده به دقت بالاتری رسیده است. نتایج حاصل از سیستم پیشنهادی برای تکنیک مورد استفاده دقت 72.63٪ به دست آمده است.

diagnosing diabetes in women using decision tree algorithm

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%.