A Particle Swarm Optimization Approach to Fine-Tuning Machine Learning Models for Diabetes Prediction

شەيما محي الدين رحمن; محمد محمود فقي  حسين

doi:10.69938/Keas.25020210

المؤلفون

شەيما محي الدين رحمن جامعة السليمانية، السليمانية، العراق
محمد محمود فقي حسين جامعة السليمانية، السليمانية، العراق

DOI:

https://doi.org/10.69938/Keas.25020210

الكلمات المفتاحية:

التعلم الآلي، تحسين أسراب الجسيمات، آلة الدعم المتجه، مرض السكري، ، التصنيف

الملخص

لقد تم تصنيف مرض السكري كواحد من أكثر المشاكل الصحية شيوعًا والتي يكون العديد من الأشخاص معرضين لخطر الإصابة بها. يعد تصنيف مرض السكري مهمة صعبة تتطلب نماذج تعلُّم آلي دقيقة وفعالة للمساعدة في اتخاذ القرارات السريرية. تبحث هذه الورقة في تحسين نماذج آلة الدعم المتجه الداعم باستخدام تحسين سرب الجسيمات للعثور على المعلمات الفائقة للنموذج لزيادة الأداء التنبئي. تم تقييم أحجام الاختبار المختلفة 0.2 و 0.3 و 0.4، وتم اختبار النماذج باستخدام دالتين أساسيتين: دالة الأساس الشعاعي والمتعددة الحدود. تظهر النتائج أن طريقة التحسين الهجينة لآلة دعم المتجهات - سرب الجسيمات تعمل على تحسين الدقة والمساحة تحت المنحنى بشكل كبير وتقلل من متزسط مربع الخطأ مقارنة بنموذج آلة دعم المتجهات الكلاسيكي. حصل نموذج آلة دعم المتجهات - سرب الجسيمات المحسن، الذي يستخدم متعدد الحدود الأساسي، على دقة ثابتة تبلغ 0.99 على جميع أحجام الاختبار، متجاوزًا نموذج آلة دعم المتجهات الكلاسيكية مع نواة دالة الأساس الشعاعي، والتي شهدت انخفاضًا في الدقة يتراوح من 0.84 إلى 0.90. ومع ذلك، كانت قيم AUC في النموذج المحسن مرتفعة ، حيث وصلت إلى 1.000 عند حجم اختبار 0.4، مما يدل على قدرة التصنيف الأعلى للنموذج. تشير هذه النتائج إلى أن PSO هي تقنية تحسين فعالة لتحسين معلمات SVM، مما يؤدي إلى تحسين الأداء في تصنيف مرض السكري.