.png){kind=icon}
返回
Improving diabetes diagnosis using metaheuristic-based ensemble classification method
.png){kind=icon}
PRE
AI
DOI：10.1007/s10791-026-10140-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
糖尿病是一种慢性代谢性疾病，若不加以治疗，可能导致严重并发症和生活质量下降。早期诊断对于预防其不良影响至关重要；然而，现有的诊断方法面临数据不平衡、缺失值以及模型准确率不足等挑战。为解决这些问题，我们提出了一种新颖的糖尿病诊断混合框架，整合了先进的数据挖掘技术。所提出的方法结合了边界合成少数过采样技术（BSMOTE）与吉萨金字塔构建（GPC）算法，以生成合成样本并缓解数据不平衡问题。缺失数据采用k-最近邻（k-NN）进行插补，确保数据集完整性。在分类方面，采用集成方法，通过多数投票机制整合k-NN、支持向量机（SVM）、随机森林和极限学习机（ELM）。该框架在PIMA印第安人糖尿病数据集（PIDD）上进行评估，预测准确率在91%至93.9%之间，相较于现有方法最高提升6%。主要贡献包括有效处理不平衡和不完整数据集，并引入了一种稳健的混合分类框架，显示出显著提升早期糖尿病诊断与管理的潜力。
Keyword:
Diabetes
Ensemble methods
Improved oversampling
The metaheuristic Giza Pyramids Construction (GPC) algorithm
期刊
D
IF:
0
论文数:
447
被引数:
8
机构
引用论文
.png){kind=icon}
分享收藏SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary《从不平衡数据中学习: 进步与挑战，纪念15周年》
OAAI
OAAI分享收藏
查看更多内容