Density based fuzzy support vector machine: application to diabetes dataset

Abstract

У роботі запропоновано систему глибокого прогнозування діабету, засновану на новій версії моделі машинної оптимізації опорних векторів. Спочатку визначаються три типи пацієнтів (шум, зв’язкові та внутрішні) на основі конкретних параметрів. Далі врівноважуються набори клінічних даних, пригнічуючи шумних та зв’язкових пацієнтів. Після того визначаються вектори підтримки, розв’язуючи програму оптимізації розумного розміру. Запропонована система виконується на добре відомому наборі даних про діабет PIMA. Результати експериментів показують, що запропонований метод покращує точність прогнозування, а запропонована система значно перевершує всі інші версії SVM, а також літературні методи класифікації.In this work, we propose a deep prediction diabetes system based on a new version of the support vector machine optimization model. First, we determine three types of patients (noisy, cord, and interior) basing on specific parameters. Second, we equilibrate the clinical data sets by suppressing noisy and cord patients. Third, we determine the support vectors by solving an optimization program with a reasonable size. Our system is performed on the well-known diabetes dataset PIMA. The experimental results show that the proposed method improves the prediction accuracy and the proposed system significantly outperforms all other versions of SVM as well as literature methods of classification.