تقدير تأثير الحمل والضغط الدم والعمر على داء السكرى عند النساء باستخدام نموذج انحدار ناقل الدعم (SVR)
الشريط الجانبي للمقالة
THIS IS AN OPEN ACCESS ARTICLE UNDER THE CC BY LICENSE
محتوى المقالة الرئيسي
الملخص
في هذا البحث، لدينا 623 حالة لمرضى السكري، تم تقسيم البيانات إلى مجموعة بيانات تدريبية (500 مشاهدة) ومجموعة بيانات اختبار (123 مشاهدة)، والهدف هو تقدير تأثير مدة الحمل في الأسابيع، وضغط الدم والعمر كعوامل على مرض السكري للنساء، لهذا الغرض تم استخدام SVR. وفقًا للنتائج، أعطت دالة RB أعلى أداء مقارنة بدوال كرنلات الأخرى، وكانت R2 = 83٪ وهذا يدل على ان العوامل القادرة على تفسير 83٪ من متغير السكري مع MSE وRMSE بقيمة (0.000958 و0.030956) على التوالي. وقيم p-values للمتغيرات الثلاثة المذكورة أعلاه أقل من المستوى المعنوي 0.01، مما يعني أن العوامل الثلاثة لها تأثير معنوي ذو الدلالة الإحصائية على متغير الاستجابة. حيث أن مدة الحمل في الأسابيع لها تأثير بمقدار 0.401 على المريضة، أي إذا زادت المدة بمقدار أسبوع واحد، فإن مرض السكري سيزداد بمقدار 0.401 وحدة، كما أن كلا من ضغط الدم والعمر لهما تأثير معنوي على متغير الاستجابة، ومقدار التأثير (0.621 و0.557) على التوالي.
التنزيلات
تفاصيل المقالة
المراجع
Lama, N., (2017). Optimized Veterinary Thermographic Image Classification using Support Vector Machines and Noise Mitigation (Doctoral dissertation, Southern Illinois University at Edwardsville).
Gu, H., & Sun, Y., (2019). Enhancing the fluorescence spectrum of frying oil using a nanoscale probe. Spectrochemical Acta Part A: Molecular and Biomolecular Spectroscopy, 218, 27-32.
Gu, H., Huang, X., Chen, Q., & Sun, Y., (2020). Rapid Assessment of Total Polar Material in Used Frying Oils Using Manganese Tetraphenyl porphyrin Fluorescent Sensor with Enhanced Sensitivity. Food Analytical Methods, 13(11), 2080-2086.
Ahmed, N. M., & Taher, H. A., (2018). Multi-response Regression Modeling for an Agricultural Experiment. Journal of University of Human Development, 4(2), 46-52.
Taher, H. A., & Ahmed, N. M., (2023). Using Bayesian Regression Neural Networks Model to Predict Thrombosis for Covid-19 Patients. resmilitaris, 13(1), 2077-2087.
Vapnik, V., (2000). The nature of statistical learning theory. Springer, 314. doi: https://doi.org/10.1007/978-1-4757-3264-1
Mechelli, A., Vieira, S. (Eds.), (2019). Machine learning: methods and applications to brain disorders. Academic Press. doi: https://doi.org/10.1016/C2017-0-03724-2
Blanco, V., Puerto, J., Rodriguez-Chia, A. M. (2020). On lp-Support Vector Machines and Multidimensional Kernels. Journal of Machine Learning Research, 21 (14). Available at: https://jmlr.org/papers/volume21/18-601/18-601.pdf
Astuti, W., Adiwijaya (2018). Support vector machine and principal component analysis for microarray data classification. Journal of Physics: Conference Series, 971, 012003. doi: https://doi.org/10.1088/1742-6596/971/1/012003
Chowdhury, U. N., Rayhan, M. A., Chakravarty, S. K., Hossain, M. T. (2017). Integration of principal component analysis and support vector regression for financial time series forecasting. International Journal of Computer Science and Information Security (IJCSIS), 15 (8), 28–32.
[17] Naik, G. R. (Ed.) (2018). Advances in Principal Component Analysis. Springer. doi: https://doi.org/10.1007/978-981-10-6704-4
Arık OA (2020) Comparisons of metaheuristic algorithms for unrelated parallel machine weighted earliness/tardiness scheduling problems. Evol Intel 13:415–425.
Ibrahim, M. H., & Jaber, A. G. (2022). The Use of the Regression Tree and the Support Vector Machine in the Classification of the Iraqi Stock Exchange for the Period 2019-2020. journal of Economics and Administrative Sciences, 28(132).
Dhhan, W., & Alameer, T. (2018). Robust Variable Selection Technique for Single Index Support Vector Regression Model.
Aziz, A. A., Mahmood, H. O. F., Rahim, S. A., Maaroof, R. S., & Taher, H. A. (2023). Using Optimizing Parameters Support Vector Regression Model to Predict Potassium Ratio in Carb Fish. Journal of Survey in Fisheries Sciences, 10(3S), 4931-4937.
Azad Rahim, S., & Taher, H. A. (2023). Postulating Support Vector Regression Model to Measure the Effect of Protein, Carbohydrate and Fats on the Weight of Carb Fish. Journal of Survey in Fisheries Sciences, 10(3S), 4099-4104.