In diesem Artikel haben wir den effizienten Lernalgorithmus von LightGBM mit der automatisierten Hyperparameteroptimierungsfähigkeit von Optuna kombiniert, um ein Diabetesvorhersagerahmenwerk zu bilden. Der mathematische Beschrieb, die Architektur und die Methoden dieses Modells werden in diesem Abschnitt hauptsächlich vorgestellt. Diabetesvorhersage kann als binäres Klassifizierungsproblem betrachtet werden. Das Ziel besteht darin, ein Modell zu trainieren, das das Label von nicht gesehenen Proben vorhersagen kann. LightGBM ist ein auf Bäumen basierender Lernalgorithmus, der viele Aspekte traditioneller Gradient-Boosting-Entscheidungsbäume optimiert.
Der Schlüssel von LightGBM liegt in seinem optimierten Ansatz zur Datenverarbeitung und zur Konstruktion von Entscheidungsbäumen. Die Verwendung eines histogrammbasierten Algorithmus beschleunigt den Trainingsprozess und reduziert den Speicherverbrauch. Optuna ist ein automatisiertes Hyperparameteroptimierungsrahmenwerk, das das Finden der optimalen Parameterkombination durch die Definition einer Ziel- oder Kostenfunktion ermöglicht. Die Verwendung von Optuna in Verbindung mit LightGBM zur Optimierung der Hyperparameter verbessert die Leistung des Diabetesvorhersagemodells für unausgeglichene Datensätze.
Für die effektive Verbesserung der Vorhersageleistung des unausgeglichenen Diabetesvorhersagedatensatzes wird Optuna zur Optimierung der Hyperparameter verwendet. Das vorgeschlagene Modell umfasst verschiedene Schritte wie Datenbereinigung, Feature-Engineering, Ausgleich des unausgeglichenen Datensatzes, Hyperparametersuche und das Training des Modells. Die Daten werden vorverarbeitet, um die Datenqualität sicherzustellen und die Modelleffizienz zu verbessern. Mit der Kombination von SMOTE und RUS wird die Datenverteilung verbessert, um die Vorhersagegenauigkeit des Modells zu erhöhen. Die Performance des Modells wird durch Kennzahlen wie Genauigkeit, Recall und F1-Score bewertet.
Zur Auswertung des Modells werden verschiedene statistische Leistungskennzahlen wie Genauigkeit, Präzision, Recall und F1-Score verwendet. Die Evaluation basiert auf der Verwirrungsmatrix und der ROC-Kurve, um die Vorhersageleistung zu messen. Die Korrelationsanalyse wird durchgeführt, um die Beziehungen zwischen den Attributen des bereinigten Datensatzes zu analysieren und somit die wichtigsten Einflussfaktoren für die Vorhersage von Diabetes zu identifizieren. Durch die Datenbereinigung, das Datenresampling und die Optimierung der Hyperparameter wird das Modell schließlich für die Vorhersage des Diabetesrisikos optimiert.