糖尿病回归 通过回归模型（逻辑，线性）对糖尿病数据集进行预测分析 Regression.py包含我们用于回归分析的实际代码 泡菜文件是经过培训的模型，可以下载和测试。 糖尿病.csv是我们在该项目中使用的数据集。

糖尿病预测

糖尿病预测 使用神经网络预测皮马印第安人的糖尿病 我们有皮马印第安人糖尿病数据集。 我们要预测具有某些特征的庇护者是否患有糖尿病。 因此，这是一个二元分类问题，我们使用具有3层的神经网络进行预测。 有8个特征（输入项），包括：1.怀孕次数2.口服葡萄糖耐量测试中2小时的血浆葡萄糖浓度。 3.舒张压（mm Hg）。 4.三头肌皮褶厚度（mm）。 5.2小时血清胰岛素（mu U / ml）。 6.身体质量指数（体重以千克/（身高以米）^ 2为单位）。 7，糖尿病谱系功能8.Age（年）。 我们在隐藏层中设计了100个激活。 最终使用FP和BP算法以及先进的优化技术，我们在训练集上获得了93％的准确性。

糖尿病数据集

pima_prediction 针对皮马印第安人的Scikit-Learn机器学习模型，用于预测患上糖尿病的可能性。 数据来自杰里·库拉塔（Jerry Kurata）的“学位”课程。 我使用数据文件和Jerry的课程来使自己沉浸在机器学习工作流程中。 Jupyter-Notebook遍历了数据处理以及多种模型的训练/评估。 我对注释和代码进行了编辑，以帮助我自己理解。

matlab svr代码GLYFE（血糖预测评估） GLYFE 是一个葡萄糖预测模型基准。 入门 这些说明将帮助您获得运行基准所需的数据以及开发新的葡萄糖预测模型。 先决条件 模拟运行benchmark所需的数据，需要一个（这里使用的是Windows下的R2018b版本）和一个（v3.2.1）。 要运行基准测试，您将需要以下Python 3.7.6库 matplotlib 3.1.3 numpy 1.18.1 pandas 1.0.1 patsy 0.5.1 pip 20.0.1 pytorch 1.4.0 scikit-learn 0.22.1 scipy 1.4.1 setuptools 45.2.0 statsmodels 0.12.0.dev0 俄亥俄州T1DM数据获取 要访问 OhioT1DM 数据，应参考 . 获得后， OhioT1DM-testing和OhioT1DM-training两个文件夹应放在./data/ohio/目录下（如果需要，请创建）。 T1DMS数据模拟 设置环境 将GLYFE/T1DMS/GLYFE.scn场景文件复制粘贴到 T1DMS 安装文件夹（名

印第安人糖尿病数据集，波士顿房价数据集合集。用于数据回归分析等。

该数据集包含对糖尿病性黄斑水肿的光学相干断层扫描图像进行分割的图像。数据集载自文章：S. J. Chiu, M. J. Allingham, P. S. Mettu, S. W. Cousins, J. A. Izatt, S. Farsiu, "Kernel regression based segmentation of optical coherence tomography images with diabetic macular edema", ( BIOMEDICAL OPTICS EXPRESS), 6(4), pp. 1172-1194, April, 2015 Segmentation of OCT images (DME)_datasets.txt

利用深度学习算法，对UCL机器学习数据库里的一个糖尿病数据集 进行训练学习并预测。主要利用了 python 的 sklearn 神经网络 MLPClassifie 函数包进行糖尿病数据集的训练与预测。内含训练算法MPL.py文件和糖尿病数据集diabetes.xlsx文件。

基于机器学习的2型糖尿病视网膜病变预测模型研究.pdf