Διάγνωση διαβήτη με χρήση τεχνικών μηχανικής μάθησης

Χατζηαθανασίου-Καρακάσης, Δημήτριος

Diabetes diagnosis using machine learning algorithms

Διπλωματική εργασία

Author

Χατζηαθανασίου-Καρακάσης, Δημήτριος

Date

2024-07-30

Advisor

Βασιλάς, Νικόλαος

Διπλωματική Εργασία (1.695Mb)

Keywords

Python ; Μηχανική μάθηση ; Νευρωνικά δίκτυα ; Βαθιά μάθηση ; Πολυστρωματικά Perceptron ; Bagging ; Πρόβλεψη διαβήτη

Abstract

Στη διπλωματική αυτή θα εξεταστούν διάφορες τεχνικές μηχανικής μάθησης όπως πολυστρωματικά ευρωνικά δίκτυα (MLPs), μηχανές διανυσμάτων υποστήριξης (SVM) και δίκτυα ακτινικής βάσης (RBF etworks) για τη διάγνωση της ασθένειας του διαβήτη. Για την εκπαίδευση των μοντέλων και την αποτίμηση της γενικευτικής τους ικανότητας θα χρησιμοποιηθεί το Diabetes Prediction Dataset που περιλαμβάνει 00.000 δείγματα. Τέλος, θα δοθεί έμφαση στην επιλογή των υπερπαραμέτρων των διαφόρων μοντέλων (π.χ. υθμός εκμάθησης, dropout rate, κλπ.) και θα δοκιμαστούν μέθοδοι συνόλων bagging, boosting για την ελτίωση των αποτελεσμάτων.

Abstract

This thesis examines various machine learning techniques such as Multilayer Perceptrons (MLPs), Support Vector Machines (SVMs), and Radial Basis Function (RBF) networks for diagnosing diabetes. The Diabetes Prediction Dataset containing 100,000 samples will be used for training the models and evaluating their generalization ability. Furthermore, emphasis will be placed on selecting the hyperparameters of the different models (e.g., learning rate, dropout rate, etc.), and bagging and boosting methods will be experimented with to improve the results.