Diabetes prediction using an improved machine learning approach

Abstract

У статті розглядається модель машинного навчання, що походить з області охорони здоров’я, а саме: прогресування діабету. Модель переформульовується в регуляризовану задачу оптимізації. Член правдоподібності — це норма L1, а оптимізаційний простір міінімуму побудований за допомогою відтворюючого ядра гільбертового простору (ВЯГП). Чисельне наближення моделі реалізується методом Адама, який є успішним у чисельних експериментах (порівняно з алгоритмом стохастичного градієнтного спуску (СГС)).This paper deals with a machine-learning model arising from the healthcare sector, namely diabetes progression. The model is reformulated into a regularized optimization problem. The term of the fidelity is the L1 norm and the optimization space of the minimum is constructed by a reproducing kernel Hilbert space (RKSH). The numerical approximation of the model is realized by the Adam method, which shows its success in the numerical experiments (if compared to the stochastic gradient descent (SGD) algorithm).