По данным Всемирной организации здравоохранения (ВОЗ), в 2015 году в Индии было 69,2 миллиона человек, живущих с диабетом.
По оценкам, к 2030 году почти 98 миллионов человек в Индии могут иметь диабет 2 типа, согласно исследованию, недавно опубликованному журналом «Lancet Diabetes & Endocrinology».
Данные взяты из Национального института диабета, болезней органов пищеварения и почек. Цель модели - диагностически предсказать, есть ли у пациента диабет, на основе определенных диагностических измерений, включенных в набор данных. На выбор этих экземпляров из более крупной базы данных было наложено несколько ограничений. В частности, все пациенты здесь - женщины не моложе 21 года, принадлежащие к индейцам пима.
Это было 768 записей в наборе данных, предоставленном NIDDKD (Национальный институт диабета, болезней органов пищеварения и почек), который использовался для построения модели машинного обучения, которая предсказывает, был ли у человека диабет в его / ее жизни с точностью около 94,5%. о невидимых данных.
Глядя на набор данных, он имеет следующие 8 функций
1.Беременность - количество беременностей
2.ГлюкозаПлазменная концентрация глюкозы 2 часа в пероральном тесте на толерантность к глюкозе
3.Кровяное давление - диастолическое артериальное давление (мм рт.ст.)
4.Толщина кожиТрицепсы - толщина кожной складки (мм)
5.Инсулин 2-часовой сывороточный инсулин (мЕЕ / мл)
6.BMIИндекс массы тела (вес в кг / (рост в м) ²)
7. ДиабетPedigreeFunction (pedi )
8. Возраст в годах
Цель состоит в том, чтобы построить модель машинного обучения, которая предсказывает, страдает ли человек диабетом или нет, с учетом этих 8 характеристик с интерпретируемостью и степенью предсказания. В этом случае важна интерпретируемость, поскольку это очень деликатный предмет, и неправильный прогноз может стоить психического напряжения.
В отношении предоставленного набора данных было много проблем. Например, посмотрите на этот график 2-часовой концентрации инсулина в сыворотке крови (мЕд / мл).
Примерно 374 (48,7%) - нули в функции инсулина, что очень маловероятно. Учитывая, что модель будет больше всего зависеть от этой модели, эту аномалию следует устранить.
На самом деле это несбалансированный набор данных, где 0 указывает на здорового человека, а 1 - на диабетика. Проблема с несбалансированным набором данных заключается в том, что модель может отдавать предпочтение классу с большим количеством записей. В нашем случае есть шанс, что это будет в пользу здорового класса. Чтобы противостоять этому, как передискретизация, так и передискретизация применялись индивидуально. Было обнаружено, что передискретизация более эффективна, и она была применена к набору данных.
После применения всех этапов очистки и предварительной обработки данных строится корреляционная матрица между функциями.
Глюкоза, ИМТ, толщина кожи, возраст играют важную роль в прогнозировании наличия у человека диабета.
Проанализировав корреляционную матрицу, давайте построим модель машинного обучения. Это проблема классификации. Логистическая регрессия, деревья решений, машины опорных векторов подходят для применения к этому набору данных.
Один алгоритм может обеспечить точность только от 85 до 90 процентов. Чтобы добиться большего, нам нужно использовать методы ансамбля, такие как упаковка.
Bagging ( Bootstrap aggregating) - это метаалгоритм ансамбля машинного обучения, разработанный для повышения стабильности и точности алгоритмов машинного обучения, используемых в статистической классификации и регрессии. Это также уменьшает дисперсию и помогает избежать переобучения.
В этом случае можно использовать алгоритм случайного леса. Случайный лес, как следует из его названия, состоит из большого количества отдельных деревьев решений, действующих как ансамбль. Каждое отдельное дерево в случайном лесу дает предсказание класса, и класс, набравший наибольшее количество голосов, становится предсказанием нашей модели.
В алгоритме случайного леса нам нужно настроить гиперпараметры для получения лучших результатов. Необходимо настроить около 5 гиперпараметров, а именно:
- Количество функций, которые следует учитывать при каждом сплите.
- Максимальное количество уровней в дереве.
- Минимальное количество выборок, необходимое для разделения узла.
- Минимальное количество выборок, необходимых для каждого конечного узла.
- Методика отбора образцов для обучения каждого дерева.
Алгоритм рандомизированного поиска использовался для настройки гиперпараметров с большим диапазоном.
После настройки гиперпараметров к набору данных был применен лучший набор гиперпараметров.
Алгоритм был адаптирован к обучающему набору данных. Точность обучающих данных составила 100%.
Кроме того, когда модель была протестирована на невидимых данных (тестовых данных), она составила 94,5%, а оценка рабочих характеристик приемника (ROC) оказалась равной 0,947.
С помощью медицинского специалиста всегда есть возможность улучшить модель. Также могут быть включены различные функции, которые могут сделать модель более точной.
В наборе данных было всего 768 строк, и точность можно еще больше повысить, предоставив модели больше данных.
Будут сделаны и представлены дальнейшие оптимизации.
Спасибо за ваше время!
Особая благодарность Национальному институту диабета, болезней органов пищеварения и почек за предоставленные данные.
