Підвищення точності моделей машинного навчання при лікуванні цукрового діабету на основі збагачення тестових даних

Abstract

Стаття присвячена актуальному дослідженню щодо лікування хронічного захворювання цукровим діабетом, яке вимагає точного дозування інсуліну. Ефективне лікування залежить від ефективного прогнозування потреби в інсуліні, яке можна покращити за допомогою методів машинного навчання. У дослідженні використано дані бази даних HUPA-UCM Diabetes Dataset, що містять детальну інформацію про пацієнтів, отриману шляхом безперервного моніторингу. Для підвищення ефективності прогнозування дані проходять попередню обробку - збагачення - та інтеграцію для підвищення якості моделей, після чого застосовуються моделі машинного навчання моделей - лінійна регресія, дерево рішень, випадковий ліс та K-найближчих сусідів для прогнозування потреби в інсуліні. Використання запропонованого підходу для різних методів машинного навчання збільшила якість прогнозування на 8%-14%, а кращим з них виявився метод Random Forest.