BACKGROUND Supervised machine learning algorithms have been a dominant method in the data mining field. Disease prediction using health data has recently shown a potential application area for these methods. This study ai7ms to identify the key trends among different types of supervised machine learning algorithms, and their performance and usage for disease risk prediction. METHODS In this study, extensive research efforts were made to identify those studies that applied more than one supervised machine learning algorithm on single disease prediction. Two databases (i.e., Scopus and PubMed) were searched for different types of search items. Thus, we selected 48 articles in total for the comparison among variants supervised machine learning algorithms for disease prediction. RESULTS We found that the Support Vector Machine (SVM) algorithm is applied most frequently (in 29 studies) followed by the Naïve Bayes algorithm (in 23 studies). However, the Random Forest (RF) algorithm showed superior accuracy comparatively. Of the 17 studies where it was applied, RF showed the highest accuracy in 9 of them, i.e., 53%. This was followed by SVM which topped in 41% of the studies it was considered. CONCLUSION This study provides a wide overview of the relative performance of different variants of supervised machine learning algorithms for disease prediction. This important information of relative performance can be used to aid researchers in the selection of an appropriate supervised machine learning algorithm for their studies.

中文翻译：

---

比较不同的监督机器学习算法进行疾病预测。

背景技术有监督的机器学习算法已经成为数据挖掘领域中的主要方法。使用健康数据进行疾病预测最近显示了这些方法的潜在应用领域。这项研究旨在识别不同类型的受监督机器学习算法之间的关键趋势，以及它们在疾病风险预测中的性能和用途。方法在这项研究中，我们进行了广泛的研究工作，以识别那些在单一疾病预测中应用了不止一种监督机器学习算法的研究。在两个数据库（即Scopus和PubMed）中搜索了不同类型的搜索项。因此，我们总共选择了48篇文章，以进行变体监督的机器学习算法对疾病预测的比较。结果我们发现，支持向量机（SVM）算法最常被应用（在29个研究中），其次是朴素贝叶斯算法（在23个研究中）。但是，随机森林（RF）算法相对而言显示出更高的准确性。在应用RF的17项研究中，RF显示其中9项的准确性最高，即53％。其次是支持向量机，在被考虑的研究中占41％。结论这项研究广泛地概述了用于疾病预测的监督机器学习算法的不同变体的相对性能。有关相对性能的重要信息可用于帮助研究人员选择合适的监督机器学习算法进行研究。随机森林（RF）算法具有相对较高的准确性。在应用RF的17项研究中，RF显示其中9项的准确性最高，即53％。其次是支持向量机，在被考虑的研究中占41％。结论这项研究广泛地概述了用于疾病预测的监督机器学习算法的不同变体的相对性能。有关相对性能的重要信息可用于帮助研究人员选择合适的监督机器学习算法进行研究。随机森林（RF）算法具有相对较高的准确性。在应用RF的17项研究中，RF显示其中9项的准确性最高，即53％。其次是支持向量机，在被考虑的研究中占41％。结论这项研究广泛概述了用于疾病预测的监督机器学习算法的不同变体的相对性能。有关相对性能的重要信息可用于帮助研究人员选择合适的监督机器学习算法进行研究。结论这项研究广泛地概述了用于疾病预测的监督机器学习算法的不同变体的相对性能。有关相对性能的重要信息可用于帮助研究人员选择适合他们的研究的受监督机器学习算法。结论这项研究广泛地概述了用于疾病预测的监督机器学习算法的不同变体的相对性能。有关相对性能的重要信息可用于帮助研究人员选择合适的监督机器学习算法进行研究。