Skin disease is the most common problem between people. Due to pollution and deployment of ozone layer, harmful UV rays of sun burn the skin and develop various types of skin diseases. Nowadays, machine learning and deep learning algorithms are generally used for diagnosis for various kinds of diseases. In this study, we have applied three feature extraction techniques univariate feature selection, feature importance, and correlation matrix with heat map to find the optimum data subset of erythemato-squamous disease. Four classification techniques Gaussian Naïve Bayesian (NB), decision tree (DT), support vector machine (SVM), and random forest are used for measuring the performance of model. Stacking ensemble technique is then applied to enhance the prediction performance of the model. The proposed method used for measuring the performance of the model. It is finding that the optimal subset of the erythemato-squamous disease is performed well in the case of correlation and heat map feature selection techniques. The mean value, slandered deviation, root mean square error, kappa statistical error, and area under receiver operating characteristics and accuracy are calculated for demonstrating the effectiveness of the proposed model. The feature selection techniques applied with staking ensemble technique gives the better result as compared to individual machine learning techniques. The obtained results show that the performance of proposed model is higher than previous results obtained by researchers.

皮肤病是人与人之间最常见的问题。由于臭氧层的污染和部署，有害的阳光紫外线会灼伤皮肤并发展各种类型的皮肤病。如今，机器学习和深度学习算法通常用于诊断各种疾病。在这项研究中，我们应用了三种特征提取技术，即单变量特征选择，特征重要性和具有热图的相关矩阵，以找到红斑鳞状疾病的最佳数据子集。使用四种分类技术高斯朴素贝叶斯（NB），决策树（DT），支持向量机（SVM）和随机森林来衡量模型的性能。然后应用堆叠集成技术来增强模型的预测性能。所提出的方法用于测量模型的性能。发现在相关和热图特征选择技术的情况下，红斑鳞状疾病的最佳子集表现良好。计算平均值，均一偏差，均方根误差，kappa统计误差以及接收器工作特性和精度下的面积，以证明所提出模型的有效性。与单独的机器学习技术相比，与放样集成技术一起应用的特征选择技术可提供更好的结果。所得结果表明，所提出模型的性能高于研究人员先前的结果。发现在相关和热图特征选择技术的情况下，红斑鳞状疾病的最佳子集表现良好。计算平均值，均一偏差，均方根误差，kappa统计误差以及接收器工作特性和精度下的面积，以证明所提出模型的有效性。与单独的机器学习技术相比，与放样集成技术一起应用的特征选择技术可提供更好的结果。所得结果表明，所提出模型的性能高于研究人员先前的结果。发现在相关和热图特征选择技术的情况下，红斑鳞状疾病的最佳子集表现良好。计算平均值，均一偏差，均方根误差，kappa统计误差以及接收器工作特性和精度下的面积，以证明所提出模型的有效性。与单独的机器学习技术相比，与放样集成技术一起应用的特征选择技术可提供更好的结果。所得结果表明，所提出模型的性能高于研究人员先前的结果。计算接收器工作特性和精度下的面积和面积，以证明所提出模型的有效性。与单独的机器学习技术相比，与放样集成技术一起应用的特征选择技术可提供更好的结果。所得结果表明，所提出模型的性能高于研究人员先前的结果。计算接收器工作特性和精度下的面积和面积，以证明所提出模型的有效性。与单独的机器学习技术相比，与放样集成技术一起应用的特征选择技术可提供更好的结果。所得结果表明，所提出模型的性能高于研究人员先前的结果。