Une application web pour la prédiction précoce du diabète basant sur les algorithmes d'apprentissage automatique

Abstract

Au coeur de ce mémoire, nous avons conçu et développé une application web pour la prédiction précoce du diabète de type 2, Afin d'éviter les risques de complications de cette maladie chronique sur la santé du patient. Pour atteindre cet objectif, nous avons utilisé des algorithmes d’apprentissage automatique supervisé (K neares neighbors, Decision Trees, Random Forest, Support Vector Machine, Naives Bayes) et le data set extrait de l’adresse web www.kaggle.com le data est de l’origine de l’hopital de Pima_Indian (USA)Les performances des classifieurs ont été comparées en fonction du taux de précision. Les plus hauts taux de classification obtenus par l’application de Support_Vector_ Machine et Random_Forest sont respectivement 81.16% et 79.22% en appliquant la méthode d’´évaluation train/test

In this modest work, we designed and developed a web application for the early prediction of type 2 diabetes, in order to avoid the risk of complications of this disease on the patient’s health .To achieve this goal, we used algorithms supervised machine learning (K nearest neighbors, Decision Trees, Random Forest, Support Vector Machine, Naives Bayes) and the data set extracted from the web address www.kaggle.com the data is from the Pima_Indian hospital (USA). The performance of classifiers was compared based on accuracy rate and model sensitivity. The highest classification rates obtained by the application of Support_Vector_ Machine and Random Forest are respectively 81.16% and 79.22%, by applying the method of evaluation train /test