فهرست نشریات علمی دسترسی آزاد ایران

در این مطالعه، رویکردی پیشنهادی برای پیش‌بینی دیابت ارائه شده که بر بهبود دقت و تعادل میان شاخص‌های ارزیابی تمرکز دارد. ابتدا داده‌ها با استفاده از مقیاس‌کننده مقاوم (Robust Scaler) نرمال‌سازی شدند تا اثر داده‌های پرت کاهش یابد. سپس با به‌کارگیری تحلیل مؤلفه‌های اصلی (PCA)، ابعاد ویژگی‌ها کاهش و شش مؤلفه اصلی انتخاب گردید. برای طبقه‌بندی داده‌ها، از الگوریتم CatBoost به‌عنوان یکی از روش‌های پیشرفته یادگیری ماشین استفاده شد. برای ارزیابی مدل، از اعتبارسنجی متقابل با ۱۰ بخش بهره گرفته شد و در هر تکرار، آستانه تصمیم‌گیری بر اساس بیشینه‌سازی F1-score تنظیم گردید. نتایج نشان داد که مدل پیشنهادی از نظر دقت (01/87%)، صحت (00/84%)، حساسیت (77/77%)، امتیاز F1  (76/80%) و سطح زیر منحنی ROC  (0.9200) عملکرد قابل توجهی دارد و نسبت به روش‌های مرسوم، برتری مشخصی ارائه می‌دهد. این نتایج بیانگر توانمندی مدل در شناسایی نمونه‌های مثبت و کاهش خطای طبقه‌بندی است. در نهایت، این روش با دستیابی به توازن مناسب در معیارهای ارزیابی، قابلیت کاربرد در سامانه‌های پیش‌بینی پزشکی را داراست