Диабет является долгосрочным дорогостоящим заболеванием, которое повышает уязвимость людей к развитию тревожных расстройств. Следовательно, эффективное лечение тревожности при диабете может значительно улучшить общее лечение пациентов. В этой статье представлен сравнительный анализ трех алгоритмов машинного обучения, а именно логистической регрессии (LR), поддержки Векторный метод (SVM) и дерево решений (DT) для прогнозирования тревожности у диабетиков. Был использован марокканский набор данных, а для настройки гиперпараметров использовался метод поиска по сетке.
Полученные результаты демонстрируют многообещающие показатели эффективности алгоритмов. Алгоритм «Дерево решений» показал самую высокую точность, достигнув впечатляющих 96 % при прогнозировании тревожности у пациентов с диабетом. Алгоритм «Метод опорных векторов» показал точность 69 %, а алгоритм «Логистическая регрессия» — 61 %. Эти результаты дают ценную информацию для дальнейших исследований, направленных на совершенствование моделей прогнозирования.
В заключение отметим, что исследование демонстрирует потенциал алгоритмов машинного обучения в прогнозировании тревожных расстройств у пациентов с диабетом. Высокая точность, продемонстрированная моделью «Дерево решений», указывает на ее потенциал в качестве надежного инструмента в клинических условиях. Для подтверждения этих результатов и изучения применимости этих моделей в реальных сценариях необходимы дальнейшие исследования. Это в конечном итоге позволит улучшить лечение и качество жизни людей с диабетом и сопутствующими тревожными расстройствами.
Diabetes is a long-term costly burden that increases the vulnerability of individuals to develop anxiety disorders. Consequently, effective management of diabetes anxiety in diabetics can significantly improve overall patient care. This paper presents a comparative analysis of three machine learning algorithms, namely Logistic Regression (LR), Support Vector Machine (SVM), and Decision Tree (DT), in predicting anxiety among diabetics. A Moroccan dataset was utilized, and a grid search approach was employed for hyperparameters tuning.
The findings demonstrate promising results in terms of the algorithms’ performance. The Decision Tree algorithm exhibited the highest accuracy, achieving an impressive 96% in predicting anxiety among diabetics. SVM followed with an accuracy rate of 69%, while LR achieved 61%. These outcomes provide valuable insights for further research endeavors aimed at refining the prediction models.
In conclusion, the study highlights the potential of machine learning algorithms in predicting anxiety disorders among individuals with diabetes. The high accuracy demonstrated by the Decision Tree model suggests its potential as a reliable tool in clinical settings. Further investigations are warranted to validate these results and explore the applicability of these models in real-world scenarios, ultimately enhancing the management and well-being of individuals with diabetes and comorbid anxiety disorders.
Предпросмотр статьи
Идентификаторы и классификаторы
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
