Reconnaissance du diabète par les réseaux de neurones multicouches

1. Introduction :

Le but est de reconnaître la présence du diabète chez ces patients. Ces malades sont
caractérisées par 8 attributs explicatifs :

1. Nombre de grossesses (Ngross)

2. Concentration du glucose dans le plasma après un test de tolérance au glucose de 2 heures (mg/dl)
(Gly)

3. Pression artérielle diastolique (mm Hg) (PAD)

4. Epaisseur de la peau au niveau du triceps (mm) (Epai)

5. Taux d’insuline au bout de 2 heures (mu U/ml) (INS)

6. Indice de masse corporelle (poids en kg/ m^2) (IMC)

7. Fonction pédigrée du diabète (Ped)

8. Age (années)

Les individus diabétiques appartiennent à la classe "1" (test positif)

et les non diabétiques appartiennent à la classe "0" (test est négatif).

Pour l’implimenation , vous utilisez une base de données Pima composée par 268 femmes diabétiques
et 500 femmes non diabétiques. L'âge de ces femmes varie ente 21 et 81 ans et appartenant à la tribu
des indiens Pima (près de Phoenix, Arizona). Cette base de données est téléchargée à partir du site
officiel de l’UCI (machine learning repository) 1.

1
ftp://ftp.ics.uci.edu/pub/machine-learningdatabases)
2. Travail demandé

1. Trouvez la meilleure architecture pour la reconnaissance automatique du diabète en

utilisant les huit attributs d’entrée. Pour atteindre cet objectif, changer le nombre de
couches cachée, le type la fonction d’activation, et le nombre de neurone dans chaque
couche cachée et a chaque fois vous calculer le taux de classification
2. Faire la même chose, mais cette fois ci avec les quatre entrées suivantes : Nombre de
grossesses (Ngross), Concentration du glucose dans le plasma après un test de tolérance
au glucose de 2 heures (mg/dl) (Gly), Indice de masse corporelle (poids en kg/ m^2)
(IMC), Age (années)
3. Comparer et conclure ?