ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ БОЛЕЗНИ ПАРКИНСОНА

18 6

Аннотация

Болезнь Паркинсона — прогрессирующее неврологическое заболевание, которым страдают миллионы людей во всем мире. Раннее и точное выявление этого заболевания имеет решающее значение для контроля его прогрессирования и улучшения результатов лечения пациентов. В этом исследовании алгоритмы машинного обучения были применены к набору данных, содержащему 195 экземпляров и 24 признака, представляющих как здоровых людей, так и людей с диагнозом болезни Паркинсона. Анализ показал, что набор данных несбалансирован. Около 75% записей соответствуют людям с диагнозом болезнь Паркинсона. Для оценки эффективности моделей машинного обучения при выявлении болезни Паркинсона было представлено пять алгоритмов: логистическая регрессия, машина опорных векторов (SVM) с линейным ядром, дерево решений, случайный лес и K-ближайший сосед (KNN). Результаты показали, что модели Random Forest и KNN достигли более высокой производительности по сравнению с другими методами. В частности, модель KNN показала самую высокую точность (95%), прецизионность (94%), полноту (100%) и оценку F1 (97%). Модель случайного леса также показала высокую производительность с точностью (92%) и другими показателями, близкими к KNN, что указывает на ее надежность для этой задачи классификации. С другой стороны, логистическая регрессия и SVM показали средние результаты с точностью, полнотой и показателями F1 ниже 95%. Это исследование вносит вклад в развивающуюся область медицинской диагностики, демонстрируя потенциал использования методов машинного обучения для выявления болезни Паркинсона.