Um Meta-Classificador Híbrido de Agrupamento Fuzzy e Regressão Logística para Predição de Diabetes

O diabetes é uma condição crônica de saúde que prejudica a capacidade do corpo de converter alimentos em energia, reconhecido por níveis persistentemente altos de glicose no sangue. O diabetes não diagnosticado pode causar muitas complicações, incluindo retinopatia, nefropatia, neuropatia e outros distúrbios vasculares. Métodos de aprendizado de máquina podem ser muito úteis para identificação, predição e tratamento de doenças. Este artigo propõe uma nova abordagem de aprendizado em conjunto para a predição do diabetes tipo 2 com base em um meta-classificador híbrido de agrupamento fuzzy e regressão logística. A abordagem proposta consiste em dois níveis. Primeiro, um aprendiz base composto por seis algoritmos de aprendizado de máquina é utilizado para prever diabetes. Em segundo lugar, um meta-aprendiz híbrido que combina agrupamento fuzzy e regressão logística é empregado para integrar adequadamente as predições dos aprendizes base e fornecer uma predição precisa do diabetes. O meta-aprendiz híbrido utiliza o algoritmo Fuzzy C-means Clustering (FCM) para gerar clusters de predições altamente significativos dos aprendizes base. As predições dos aprendizes base e seus clusters fuzzy são então utilizados como entradas para o algoritmo de Regressão Logística (LR), que gera o resultado final da predição do diabetes. Experimentos foram realizados usando dois conjuntos de dados disponíveis publicamente, o Pima Indians Diabetes Database (PIDD) e o Schorling Diabetes Dataset (SDD) para demonstrar a eficácia do método proposto para prever diabetes. Quando comparado com outros modelos, a abordagem proposta superou-os e obteve as maiores precisões de predição de 99,00% e 95,20% usando os conjuntos de dados PIDD e SDD, respectivamente.