基于机器学习的糖尿病预测：分类器的比较研究
机器学习
2025-05-13 v1 人工智能
摘要
糖尿病仍是全球范围内的重大健康挑战，导致肾脏病、视力丧失和心脏病等严重并发症。机器学习（ML）在医疗领域的应用使能够高效、准确地进行疾病预测，为早期干预和患者支持提供了途径。我们的研究引入一种创新的糖尿病预测框架，利用诸如逻辑回归、支持向量机（SVM）、朴素贝叶斯和随机森林等传统 ML 技术，以及 AdaBoost、梯度提升、Extra Trees 和 XGBoost 等高级集成方法。我们方法的核心是开发一种新型模型 DNet，一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合架构，用于有效的特征提取和顺序学习。DNet 模型包含一个初始卷积块用于捕获关键特征，随后是一个带有跳过连接的残差块，以促进信息的有效流动。采用批量归一化和 Dropout 实现稳健的正则化，LSTM 层捕获数据中的时序依赖性。我们使用来自 Kaggle 的真实世界糖尿病数据集进行模型评估，评估指标包括交叉验证准确率、精确率、召回率、F1 分数和 ROC-AUC。对于所有模型，DNet 显示出最高的效能，准确率为 99.79%，AUC-ROC 为 99.98%，确立了其在糖尿病预测中的潜在优势。这种稳健的混合架构展示了结合 CNN 和 LSTM 层的价值，强调其在医学诊断和疾病预测任务中的应用前景。
关键词
引用
@article{arxiv.2505.07036,
title = {Predicting Diabetes Using Machine Learning: A Comparative Study of Classifiers},
author = {Mahade Hasan and Farhana Yasmin},
journal= {arXiv preprint arXiv:2505.07036},
year = {2025}
}