Razvoj spletne aplikacije in napovednega modela za napoved nediagnosticirane sladkorne bolezni tipa 2Fajfar, Andrej (Avtor) Štiglic, Gregor (Mentor) strojno učenjeRandom Forestneuravnoteženi podatkidiabetes mellitusV magistrski nalogi smo s pomočjo metode strojnega učenja »Random Forest« skušali napovedati stopnjo tveganja za nastanek sladkorne bolezni oz. verjetnost prisotnosti nediagnosticirane sladkorne bolezni na podlagi podatkov iz Slovenije. Za izbrano metodo smo določili optimalno število in vrsto spremenljivk za posamezni model. Za evalvacijo modela smo uporabili povprečno območje pod krivuljo (AUC), točnost in F-mero. Za model populacije s povečanim tveganjem smo dosegli povprečno AUC 0,823, točnost 0,824 in F-mero 0,804. V modelu za napoved nediagnostirane sladkorne bolezni smo dosegli povprečno AUC in točnost 0,749 in F-mero 0,654. Na podlagi podatkov smo pokazali, da je možno z veliko uspešnostjo določiti osebe z visokim tveganjem, ki predstavljajo preddiabetike in nediagnostirane diabetike oz. skupino s tveganjem za nastanek sladkorne bolezni tipa 2. Pokazali smo uporabo tehnik uravnoteženja odločitvenega razreda in rezultate primerjali z neuravnoteženim razredom. Uravnoteženje razreda zviša klasifikacijsko uspešnost modela. Rezultate smo primerjali z rezultati drugih znanstvenih objav in zasledili podobnost med rezultati. Tuje raziskave navajajo, da je klasifikator Random Forest najpogosteje izbran model, v primerjavi z drugimi modeli za napovedovanje kroničnih bolezni. S korelacijskim testom smo pokazali, da napovedna uspešnost modela ne korelira s številom dreves v ansamblu (p = 0,00015).[A. Fajfar]20172017-09-30 14:00:54Magistrsko delo/naloga68620sl