Classification of type ii diabetes mellitus using machine learning techniques

Abstract

Diabetes is a chronic, non-communicable disease that remains a public health problem worldwide, which shows the global prevalence of diabetes continues to rise. The International Diabetes Federation reports that in 2017, there were 425 million people with diabetes worldwide. Diabetes mellitus, if left untreated or undiagnosed, can lead to a number of other complications. This research used data from the University of California, Irvine (UCI), which is open data for testing the algorithm's performance in data mining. The data were used to study and compare classification machine learning techniques using Decision Tree, Naive Bayes, Neural Networks, and Deep Learning algorithms. The experiment found that Deep Learning has the highest predictive accuracy of 78.77%. The Neural Networks have the second-best performance with an accuracy of 77.46%. The result can be applied to create a decision support system in the guidelines for further classification of diabetes. IMPLICATION OF THE THESIS: Further study could include techniques such as advance data preparation and optimization into data analysis to improve their effectiveness, and should compare the cost of each algorithm (e.g., time) to help select the most suitable method for predicting diabetes.

โรคเบาหวานเป็นโรคไม่ติดต่อเรื้อรังที่ยังคงเป็นปัญหาด้านสาธารณสุขทั่วโลก ซึ่งแสดงถึงความรุนแรงของโรคเบาหวานทั่วโลกที่เพิ่มขึ้นอย่างต่อเนื่อง สหพันธ์เบาหวานนานาชาติรายงานว่าในปี 2560 มีผู้ป่วยเบาหวาน 425 ล้านคนทั่วโลก โรคเบาหวานสามารถนำไปสู่ภาวะแทรกซ้อนอื่น ๆ ได้หากผู้ป่วยไม่ทราบและไม่ได้รับไปรับการรักษา งานวิจัยนี้ใช้ข้อมูลจาก The University of California, Irvine (UCI) ซึ่งเป็นข้อมูลเปิดสำหรับทดสอบประสิทธิภาพของอัลกอริทึมในการทำเหมืองข้อมูล โดยข้อมูลนี้นำมาใช้สำหรับการศึกษาและเปรียบเทียบเทคนิคการจำแนกประเภทด้วยการเรียนรู้ของเครื่องโดยใช้อัลกอริทึม Decision Tree, Naive Bayes, Neural Networks และ Deep Learning โดยผลการวิจัยพบว่า Deep Learning มีความแม่นยำในการทำนายสูงสุดโดยมีค่าความแม่นยำ 78.77% และ Neural Networks มีประสิทธิภาพดีที่สุดเป็นอันดับสองด้วยค่าความแม่นยำ 77.46% ซึ่งสามารถนำผลที่ได้ไปประยุกต์ใช้เพื่อสร้างระบบสนับสนุนการตัดสินใจในแนวทางการจำแนกโรคเบาหวานต่อไปได้ การนำผลของสารนิพนธ์ไปใช้: การศึกษาเพิ่มเติมอาจรวมถึงเทคนิคต่างๆ เช่น การเตรียมข้อมูลล่วงหน้าและการเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูล เพื่อปรับปรุงประสิทธิภาพของการวิเคราะห์ และควรเปรียบเทียบค่าใช้จ่ายของแต่ละอัลกอริทึม (เช่น เวลาในการวิเคราะห์) เพื่อช่วยเลือกวิธีการที่เหมาะสมที่สุดในการทำนายโรคเบาหวาน