Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

Diabetes Prediction Using Machine Learning Techniques

Makine Öğrenmesi Tekniklerini Kullanarak Diyabet Tahmini

How to cite: Kızıltaş Koç , Yeniad M. Diabetes prediction using machine learning techniques. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2021; 4(2): 150-152. DOI: 10.54856/jiswa.202112183

Full Text: PDF, in English.

Total number of downloads: 252

Title: Diabetes Prediction Using Machine Learning Techniques

Abstract: Technologies which are used in the healthcare industry are changing rapidly because the technology is evolving to improve people's lifestyles constantly. For instance, different technological devices are used for the diagnosis and treatment of diseases. It has been revealed that diagnosis of disease can be made by computer systems with developing technology.Machine learning algorithms are frequently used tools because of their high performance in the field of health as well as many field. The aim of this study is to investigate different machine learning classification algorithms that can be used in the diagnosis of diabetes and to make comparative analyzes according to the metrics in the literature. In the study, seven classification algorithms were used in the literature. These algorithms are Logistic Regression, K-Nearest Neighbor, Multilayer Perceptron, Random Forest, Decision Trees, Support Vector Machine and Naive Bayes. Firstly, classification performance of algorithms are compared. These comparisons are based on accuracy, sensitivity, precision, and F1-score. The results obtained showed that support vector machine algorithm had the highest accuracy with 78.65%.

Keywords: Machine learning, diabetes prediction, classification algorithms, accuracy


Başlık: Makine Öğrenmesi Tekniklerini Kullanarak Diyabet Tahmini

Özet: Teknoloji, insanların yaşam biçimini iyileştirmek için sürekli gelişmekte olduğundan, bunun bir sonucu olarak sağlık sektöründe kullanılan teknolojiler de hızla değişmektedir. Örneğin hastalıkların teşhis ve tedavisinde farklı teknolojik cihazlar kullanılmaktadır. Gelişen teknoloji ile birlikte bilgisayar sistemleri ile hastalıkların teşhisinin yapılabileceği ortaya çıkmıştır. Makine öğrenmesi algoritmaları birçok alanda olduğu gibi sağlık alanında da yüksek performans göstermesi nedeniyle sıklıkla başvurulan araçlardır. Bu çalışmanın amacı, diyabet teşhisinde kullanılabilecek farklı makine öğrenmesi sınıflandırma algoritmalarının araştırılması ve literatürdeki metriklere göre karşılaştırmalı analizlerini yapmaktır. Çalışmada, literatürde sıkça kullanılan yedi sınıflandırma algoritması kullanılmıştır. Bu algoritmalar, Lojistik Regresyon, K-En Yakın Komşu, Çok Katmanlı Algılayıcılar, Rastgele Orman, Karar Ağaçları, Destek Vektör Makinesi ve Naive Bayes sınıflandırma algoritmalarıdır. İlk olarak algoritmaların sınıflandırma başarıları karşılaştırılmıştır. Bu karşılaştırmalar, doğruluk, duyarlılık, kesinlik ve F1 skoru oranları üzerinden yapılmıştır. Elde edilen sonuçlar, destek vektör makinesi algoritmasının %78.65 ile en yüksek doğruluk oranına sahip olduğunu göstermiştir.

Anahtar kelimeler: Makine öğrenmesi, diyabet tahmini, sınıflandırma algoritmaları, doğruluk


Bibliography:
  • Selek MB, Ciftciogullari UA, Yuce YK, Isler Y. Developing an edu-cational mobile game to provide diabetes-awareness among children. Journal of Intelligent Systems with Applications 2021; 4(1): 20-23.
  • Zou Q, Qu K, Luo Y, Yin D, Ju Y, Tang H. Predicting diabetes mellitus with machine learning techniques. Frontiers in Genetics 2018; 9: 515.
  • Islam MA, Jahan N. Prediction of onset diabetes using machine learning techniques. International Journal of Computer Applications 2017; 180(5): 7-11.
  • Sisodia D, Sisodia DS. Prediction of diabetes using classification algo-rithms. Procedia Computer Science 2018; 132: 1578-1585.
  • Saru S, Subashree S. Analysis and prediction of diabetes using machine learning. International Journal of Emerging Technology and Innovative Engineering 2019; 5(4): 3368308.
  • Kumari VA, Chitra R. Classification of diabetes disease using support vector machine. International Journal of Engineering Research and Applications 2013; 3(2): 1797-1801.
  • Kaggle Datasets. Pima indians diabetes database. 2016. Retrieved from https://www.kaggle.com/uciml/pima-indians-diabetes-database at Octo-ber 10, 2020.