Diabetes Miletus Classification Using Voting Ensemble Case Study: Udon Thani Hospital

Abstract

This research aims to apply data mining techniques to forecast patients who were diagnosed as having Diabetes by using Decision Tree, Naïve Bayes, K-Nearest Neighbor, Vote Ensemble, and Random Forest for developing patient forecasting models and comparing classification performances by their accuracy. Results show that Random Forest indicates Diabetes with the highest accuracy rate of 88.03% and indicates the precision rate of 88.22%, additionally with the 90.36% Recall rate and F-Measure rate of 89.28% The outcomes can be applied in the treatment of diabetic patients in the future

งานวิจัยนี้ได้ประยุกต์ใช้เทคนิคการทำเหมืองข้อมูลเพื่อพยากรณ์ผู้ป่วยโรคเบาหวาน ด้วยเทคนิคต้นไม้ในการตัดสินใจ (Decision Tree) เทคนิคนาอีฟ เบย์ (Naïve Bayes) และเทคนิคเพื่อนบ้านใกล้ที่สุด (K-Nearest Neighbor) เทคนิคโหวตร่วม (Vote Ensemle) เทคนิคป่าสุ่ม (Random Forest) เพื่อสร้างแบบจำลองในการพยากรณ์ผู้ป่วย และนำค่าวัดประสิทธิภาพของการจำแนกประเภทข้อมูลมาเปรียบเทียบ โดยค่าความถูกต้อง (Accuracy) ที่ให้ค่ามากที่สุด ผลของการวิจัยพบว่าเทคนิคป่าสุ่ม (Random Forest) ให้ค่าความถูกต้องในการทำนายผลเป็นโรคเบาหวนมากที่สุดที่อยู่ที่ 88.03% มีค่าความแม่นยำ (Precision) ที่ 88.22% ค่าความครบถ้วน (Recall) ได้ 90.36% และค่าวัดประสิทธิภาพโดยรวม (F-Measure) 89.28% สามารถนำผลลัพธ์ที่ได้ จังหวัดอุดรธานี ไปใช้ในการประกอบการรักษาผู้ป่วยโรคเบาหวานต่อไปในอนาคต