Prediksi Terkena Diabetes menggunakan Metode K-Nearest Neighbor (KNN) pada Dataset UCI Machine Learning Diabetes
引用次数: 0
Abstract
Penelitian ini menggunakan algoritma K- Nearest Neighbor (KNN) untuk memprediksi resiko seseorang terkena diabetes. Variabel yang digunakan dalam prediksi adalah pregnancies, glucose, blood pressure, skin thickness, insulin, BMI, diabetes pedigree function, dan age. Analisis menunjukkan bahwa Glucose, BMI, dan Age memiliki korelasi tinggi dengan diagnosis diabetes, menjadikannya indikator yang kuat untuk prediksi. Melalui metode KNN dengan k=1, dilakukan evaluasi model menggunakan Confusion Matrix. Hasil menunjukkan akurasi sebesar 96%, precision sebesar 91,6%, sensitivitas sebesar 88,7%, dan MSE sebesar 0,1376. Temuan ini menunjukkan bahwa KNN dengan k=1 efektif dalam memprediksi diabetes berdasarkan variabel klinis. Informasi ini dapat memberikan manfaat dalam pencegahan dan pengobatan diabetes secara lebih efektif.在 UCI 机器学习糖尿病数据集上使用 K-Nearest Neighbour (KNN) 方法进行糖尿病预测
这项研究使用 K- Nearest Neighbor（KNN）算法来预测一个人患糖尿病的风险。用于预测的变量包括妊娠、血糖、血压、皮肤厚度、胰岛素、体重指数、糖尿病血统函数和年龄。分析表明，血糖、体重指数和年龄与糖尿病诊断有很高的相关性，是预测的有力指标。通过 KNN 方法（k=1），使用混淆矩阵对模型进行了评估。结果显示，准确率为 96%，精确率为 91.6%，灵敏度为 88.7%，MSE 为 0.1376。这些结果表明，k=1 的 KNN 能够有效地根据临床变量预测糖尿病。这些信息能更有效地预防和治疗糖尿病。
本文章由计算机程序翻译，如有差异，请以英文原文为准。
求助全文
约1分钟内获得全文
求助全文
求助内容：
应助结果提醒方式：
京公网安备 11010802042870号
