DETECÇÃO DE DIABETES: UM ESTUDO COMPARATIVO ENTRE ALGORITMOS DE APRENDIZADO DE MÁQUINA
Open Access
- 25 March 2025
- journal article
- Published by Universidade Tiradentes in Interfaces Científicas - Saúde e Ambiente
- Vol. 10 (1) , 389-404
Abstract
RESUMO O diabetes, doença que tem crescido em todo o mundo, leva a disfunção orgânica e a um risco de morte prematura. Atualmente, modelos de machine learning estão sendo utilizados como ferramenta auxiliar no diagnóstico de diabetes. Neste contexto, este trabalho tem como objetivo comparar o desempenho dos modelos XGBoost (Xtreme Gradient Boosting) e LighGBM (Light Gradient Boosting Machine) para detecção de diabetes. Utilizou-se, para realizar a comparação de desempenho, a base de dados Pima Indian Diabetes, a técnica SMOTEENN para balanceamento das classes e a biblioteca de ajuste de hiperparâmetros Optuna. Os modelos de classificação foram implementados na linguagem Python. As métricas Accuracy, Precision, Sensitivity, F1-Score, AUC e Kappa foram utilizadas para avaliar o desempenho dos modelos. Resultados experimentais demonstraram que o modelo LighGBM apresentou, com relação ao modelo XGBoost, um melhor desempenho de classificação (Accuracy=99,1%, AUC=0,99 e Kappa=0,981).Keywords
This publication has 10 references indexed in Scilit:
- A novel RFE-GRU model for diabetes classification using PIMA Indian datasetScientific Reports, 2025
- Machine Learning Approach for Diabetes Detection Using Fine-Tuned XGBoost AlgorithmInfolitika Journal of Data Science, 2023
- Prediction of heating and cooling loads based on light gradient boosting machine algorithmsBuilding and Environment, 2023
- Improvement Performance of the Random Forest Method on Unbalanced Diabetes Data Classification Using Smote-Tomek LinkJOIV : International Journal on Informatics Visualization, 2023
- Diabetes prediction model using data mining techniquesMeasurement: Sensors, 2022
- Solar Radiation Forecasting Using Machine Learning and Ensemble Feature SelectionEnergies, 2022
- An optimized XGBoost based diagnostic system for effective prediction of heart diseaseJournal of King Saud University Computer and Information Sciences, 2022
- Pima Indians diabetes mellitus classification based on machine learning (ML) algorithmsNeural Computing and Applications, 2022
- A deep learning approach based on convolutional LSTM for detecting diabetesComputational Biology and Chemistry, 2020
- Comparative Machine-Learning Approach: A Follow-Up Study on Type 2 Diabetes Predictions by Cross-Validation MethodsMachines, 2019