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 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。

本数据集来源于中文糖尿病领域权威期刊，数据包括基础研究、临床研究、药物使用、临床病例、诊治方法等多个方面，时间跨度达到7年，涵盖了近年来糖尿病领域最广泛的研究内容和热点。 A Labeled Chinese Dataset for Diabetes_datasets.zip

比马印第安人糖尿病数据集（Pima Indians Diabetes Dataset）涉及根据医疗记录预测比马印第安人5年内糖尿病的发病情况。 它是一个二元分类问题。每个类的观察值数量不均等。一共有 768 个观察值，8个输入变量和1个输出变量。缺失值通常用零值编码。变量名如下： 怀孕次数 口服葡萄糖耐受试验中，2小时的血浆葡萄糖浓度。 舒张压（mm Hg） 三头肌皮肤褶层厚度（mm） 2小时血清胰岛素含量（μU/ ml） 体重指数（体重，kg /（身高，m）^ 2） 糖尿病家族史 年龄（岁） 类变量（0 或 1） 预测最普遍类的基准性能是约 65％ 的分类准确率，最佳结果达到约 77% 的分类准确率。

diabetes_dataset

UCI该资源（https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/）已经过期，所以上传。

糖尿病是世界上的慢性病之一，有 2.46 亿人患有这种疾病，根据世界卫生组织 (WHO) 的报告，到 2025 年，这一数字将增加到 3.8 亿。许多其他使人衰弱和严重的健康问题可能如果这种疾病没有得到诊断或仍然不明，则会进一步发展。 机器学习 (ML) 技术现在被用于教育、医疗保健、商业、推荐系统等各个领域。医疗保健数据复杂且维数高，并且包含不相关的信息——因此，预测准确度低。 本研究使用了皮马印第安人糖尿病数据集，它包含 768 条记录。 首先，将缺失值替换为中位数，然后进行线性判别分析。 使用 Python 编程语言，结合五种分类算法应用特征选择技术：支持向量机 (SVM)、多层感知器 (MLP)、逻辑回归、随机森林和决策树。 本文的目的是比较不同的分类算法，以便更准确地预测患者的糖尿病。 应用 K 折交叉验证，考虑 k 为 2、4、5 和 10。采用的性能参数为：准确度、精度、召回率、F 分数和曲线下面积。 我们的研究发现，MLP 分类器的最高准确率为 78.7%，召回率为 61.26%，准确率为 72.45%，k = 4 时 F1 得分为 65.97%。

Pima Indians 糖尿病发病情况数据集，用于keras深度学习

该数据集最初来自美国国立糖尿病与消化与肾脏疾病研究所。数据集的目的是基于数据集中包含的某些诊断测量值来诊断预测患者是否患有糖尿病。 diabetes.csv

数据集是来源于 University of California, Irvine（UCI）机器学习数据库中的 Pima Indian Diabetes 数据集，总共包含 768 条数据项。这 768个研究对象是来自于美国亚利桑那州的普通居民，由于在当地人口中糖尿病的发病率较高，美国国家糖尿病消化肾脏疾病研究所会对这个地区的人口进行持续性的调查研究。 数据集已转arff格式（其实与csv格式差不多可自行修改），可用于weka。