Τεχνικές data mining και προβλεπτική αναλυτικής σακχαρώδους διαβήτη

Γεννούζης, Γεράσιμος - Ιάκωβος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Γεννούζης, Γεράσιμος - Ιάκωβος
dc.date.accessioned	2024-09-03T07:30:54Z
dc.date.available	2024-09-03T07:30:54Z
dc.date.issued	2024
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16704
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4126
dc.description.abstract	Ο σακχαρώδης διαβήτης είναι μια διαδεδομένη χρόνια νόσος με σημαντικές επιπτώσεις στη δημόσια υγεία και την ατομική ευημερία. Τα τελευταία χρόνια, οι τεχνικές μηχανικής μάθησης (MM) έχουν αναδειχθεί ως ισχυρά εργαλεία για την πρόβλεψη των αποτελεσμάτων του διαβήτη, προσφέροντας τη δυνατότητα βελτίωσης της έγκαιρης ανίχνευσης. Αυτή η εργασία παρουσιάζει μια ολοκληρωμένη αξιολόγηση διαφόρων μοντέλων ΜΜ, συμπεριλαμβανομένης της λογιστικής παλινδρόμησης (LR), των μηχανών διανυσμάτων υποστήριξης (SVM), του τυχαίου δάσους (RF), των k-πλησιέστερων γειτόνων (KNN), των πολυστρωματικών perceptrons (MLPs) και του μοντέλου gradient boosting (GΒ), στο πλαίσιο της πρόβλεψης του διαβήτη. Αξιοποιώντας εκτενώς τις δυνατότητες της βιβλιοθήκης Scikit-learn στην Python, αναλύουμε την απόδοση αυτών των μοντέλων χρησιμοποιώντας το σύνολο δεδομένων PIMA και διερευνούμε τον αντίκτυπο των τεχνικών κλιμάκωσης όπως η κανονικοποίηση (NormalizationNormalization), η προτοτυποποίηση(Standardization) και η μηχανική χαρακτηριστικών (Feature Engineer- τεχνικές Binning και One hot encoding). Τα ευρήματά μας αναδεικνύουν ότι το μοντέλο τυχαίου δάσους (RFRF) ως τον πιο αποτελεσματικό αλγόριθμο, επιτυγχάνοντας ακρίβεια 85% όταν συνδυάζεται με προτοτυποποίηση και μηχανική χαρακτηριστικών (Feature Engineer- τεχνικές Binning και One hot encoding). Αυτή η έρευνα συμβάλλει στον αυξανόμενο όγκο γνώσεων σχετικά με τις αναλύσεις υγειονομικής περίθαλψης που βασίζονται σε ΜΜ παρέχοντας πληροφορίες για τα δυνατά σημεία και τους περιορισμούς διαφορετικών αλγορίθμων για την πρόβλεψη του διαβήτη. Επιπλέον, η μελέτη μας προσφέρει πρακτικές οδηγίες για επαγγελματίες υγείας και ερευνητές, διευκολύνοντας την έγκαιρη ανίχνευση και εξατομικευμένες παρεμβάσεις για βελτιωμένη διαχείριση του διαβήτη. Μέσω του προσδιορισμού μελλοντικών κατευθύνσεων έρευνας, συμπεριλαμβανομένης της εξατομικευμένης ιατρικής και της βελτίωσης των μεθόδων προεπεξεργασίας, αυτή η εργασία στοχεύει να τονώσει τη συνεχή καινοτομία στον τομέα των αναλύσεων υγειονομικής περίθαλψης που βασίζονται σε ΜΜ και να προωθήσει τη διεπιστημονική συνεργασία για την αντιμετώπιση των προκλήσεων της διαχείρισης χρόνιων ασθενειών.	el
dc.format.extent	159	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Τεχνικές data mining και προβλεπτική αναλυτικής σακχαρώδους διαβήτη	el
dc.title.alternative	Data mining techniques and predictive analysis for diabetes mellitus	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Diabetes mellitus is a prevalent chronic disease with significant implications for public health and individual well being. In recent years, machine learning (M L ) techniques have emerged as powerful tools for predicting diabetes outcomes, offering the potential to improve early detection. This paper presents a comprehensive evaluation of various ML models, including logistic regression (LR), support vector machines (SVM), random forest (RF), k nearest neigh bors (KNN), multilayer perceptrons (MLPs), and of the gradient boosting (GB) model, in the context of diabetes prediction. Making extensive use of the capabilities of the Scikit learn library in Python, we analyze the performance of these models using the PIMA dataset and investigate the impact of preprocessing techniques such as Normalization, Standardization, and Feature Engineer Binning and One hot encoding techniques). Our findings highlight the random forest (RF) model as the most efficient algorithm, achieving 85% accuracy when combined with feature engineering (Binning and One hot encoding techniques). This research contributes to the growing body of knowledge on ML based healthcare analytics by providing insight into the strengths and limitations of different algorithms for diabetes prediction. Furthermore, our study offers practical guidance for healthcare professionals and researchers, facilitating early detection and personalized interventions for improved diabetes management By identifying future research directions, including personalized medicine, and improving pretreatment methods, this work aims to stimulate continued innovation in the field of ML based healthcare analytics and promote interdisciplinary collaboration to address the challenges of chronic disease management.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Σακχαρώδης διαβήτης	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Λογιστική παλινδρόμηση	el
dc.subject.keyword	Τυχαίο δάσος	el
dc.subject.keyword	K-πλησιέστερων γειτόνων	el
dc.subject.keyword	Κανονικοποίηση	el
dc.subject.keyword	Τεχνική κλιμάκωσης	el
dc.subject.keyword	Μηχανική χαρακτηριστικών	el
dc.date.defense	2024-04-08

Αρχεία σε αυτό το τεκμήριο

Name:: Gennouzis_me2203.pdf
Μέγεθος:: 3.489Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα