論文の概要: A Comparative Study of Machine Learning Techniques for Early Prediction of Diabetes

• arxiv url: http://arxiv.org/abs/2506.10180v1
• Date: Wed, 11 Jun 2025 21:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.459264
• Title: A Comparative Study of Machine Learning Techniques for Early Prediction of Diabetes
• Title（参考訳）: 糖尿病早期予測のための機械学習技術の比較検討
• Authors: Mowafaq Salem Alzboon, Mohammad Al-Batah, Muhyeeddin Alqaraleh, Ahmad Abuashour, Ahmad Fuad Bader,
• Abstract要約: 本研究は,糖尿病予測のための機械学習手法の有効性を評価することを目的とする。 評価されたテクニックは、ロジスティック回帰、決定木、ランダムフォレスト、k-Nearest Neighbors、Naive Bayes、サポートベクトルマシン、グラディエントブースティング、ニューラルネットワークである。 この結果は、ニューラルネットワークアルゴリズムが78.7%の精度で最善を尽くし、続いてランダムフォレスト法が76.30%の精度で実行されたことを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many nations, diabetes is becoming a significant health problem, and early identification and control are crucial. Using machine learning algorithms to predict diabetes has yielded encouraging results. Using the Pima Indians Diabetes dataset, this study attempts to evaluate the efficacy of several machine-learning methods for diabetes prediction. The collection includes information on 768 patients, such as their ages, BMIs, and glucose levels. The techniques assessed are Logistic Regression, Decision Tree, Random Forest, k-Nearest Neighbors, Naive Bayes, Support Vector Machine, Gradient Boosting, and Neural Network. The findings indicate that the Neural Network algorithm performed the best, with an accuracy of 78.57 percent, followed by the Random Forest method, with an accuracy of 76.30 percent. The study implies that machine learning algorithms can aid diabetes prediction and be an efficient early detection tool.
• Abstract（参考訳）: 多くの国では、糖尿病は重要な健康問題になりつつある。 糖尿病の予測に機械学習アルゴリズムを使用すると、励まされる結果が得られている。 本研究は,Pima Indians Diabetes データセットを用いて,糖尿病予測のための機械学習手法の有効性を評価する。 このコレクションには、年齢、BMI、血糖値など、768人の患者に関する情報が含まれている。 評価されたテクニックは、ロジスティック回帰、決定木、ランダムフォレスト、k-Nearest Neighbors、Naive Bayes、サポートベクトルマシン、グラディエントブースティング、ニューラルネットワークである。 この結果は、ニューラルネットワークアルゴリズムが78.7%の精度で最善を尽くし、続いてランダムフォレスト法が76.30%の精度で実行されたことを示している。 この研究は、機械学習アルゴリズムが糖尿病の予測を補助し、効率的な早期発見ツールであることを示唆している。

関連論文リスト

• Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
  われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。 ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。 モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
  論文  参考訳（メタデータ） (2025-04-30T16:10:20Z)
• Diabetica: Adapting Large Language Model to Enhance Multiple Medical Tasks in Diabetes Care and Management [25.56300105245314]
  大規模言語モデル(LLM)は、様々な医療シナリオにおいて有望であるが、様々な糖尿病タスクにおけるそれらの有効性は証明されていない。 本研究は糖尿病特異的LLMの訓練と評価のための枠組みを導入した。
  論文  参考訳（メタデータ） (2024-09-20T03:47:54Z)
• DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• Diabetes detection using deep learning techniques with oversampling and feature augmentation [0.3749861135832073]
  糖尿病は慢性の病理であり、ここ数年でますます多くの人に影響を与えている。 毎年多数の死者が出ている。 この病気を患っている多くの人々は、健康状態の深刻さを十分に理解していない。
  論文  参考訳（メタデータ） (2024-02-03T15:30:20Z)
• Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural Network and Machine Learning Classifiers [1.1470070927586016]
  本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。 トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。 私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
  論文  参考訳（メタデータ） (2023-01-08T19:10:20Z)
• A novel solution of deep learning for enhanced support vector machine for predicting the onset of type 2 diabetes [32.25039205521283]
  本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。 提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
  論文  参考訳（メタデータ） (2022-08-05T18:15:40Z)
• Explainable predictions of different machine learning algorithms used to predict Early Stage diabetes [0.0]
  糖尿病はいくつかの機械学習アルゴリズムで容易に診断できる。 本稿では、ランダムフォレスト、決定木、人工ニューラルネットワーク、K Nearest Neighbor、Support Vector Machine、XGBoostといった機械学習アルゴリズムの比較分析を行った。 実験結果によると、ランダムフォレストアルゴリズムは、この特定のデータセットで99%の精度で他のアルゴリズムよりも優れています。
  論文  参考訳（メタデータ） (2021-11-18T20:29:03Z)
• Task-wise Split Gradient Boosting Trees for Multi-center Diabetes Prediction [37.846368153741395]
  マルチセンター糖尿病予測タスクにTSGB(Task-wise Split Gradient Boosting Trees)を提案する。 TSGBはいくつかの最先端手法に対して優れた性能を発揮する。 TSGB法は早期診断のためのオンライン糖尿病リスク評価ソフトウェアとして展開されている。
  論文  参考訳（メタデータ） (2021-08-16T14:22:44Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。