The diabetic disease is a quick-rising persistent disease among humans. Diabetes is also named diabetes mellitus, and it is the most significant hazard disease in recent days. In this paper, the optimization approach, named as Improved Invasive Weed Bird Swarm Optimization Algorithm (IWBSOA) is devised for diabetic prediction. The gene expression data is considered as input for the effective prediction of a diabetic. Moreover, log transformation is utilized for removing the unwanted data from input gene expression data. The feature selection process is significant for improving the performance of diabetic prediction. Moreover, the selection of features for prediction poses various benefits, which include data refining, minimizing computational costs, and enhancing classification accuracy. Besides, the developed IWBSOA is employed for the feature selection process. The devised IWBSOA is generated by combining Improved Invasive Weed Optimization (Improved IWO) and Bird Swarm Algorithm (BSA). Moreover, the deep learning classifier termed Recurrent Neural network (RNN) and Support Vector Machine (SVM) is used for predicting processes. Here, a deep learning classifier, termed RNN is trained by RCOA for obtaining effective prediction outcomes. The RCOA is a combination of Rider Optimization Algorithm (ROA) and Chicken Swarm Optimization (CSO). In addition, the performance of developed IWBSOA is evaluated using three metrics, specificity, sensitivity, and accuracy. Thus, the developed IWBSOA with hybrid deep learning model obtained improved accuracy of 0.9619, the sensitivity of 0.9711 specificity of 0.9439, and MSE of 0.1887.

糖尿病是一种在人类中快速上升的持续性疾病。糖尿病又称糖尿病，是近些天来危害最大的疾病。在本文中，设计了一种优化方法，称为改进的侵入性杂草鸟群优化算法 (IWBSOA)，用于糖尿病预测。基因表达数据被视为有效预测糖尿病患者的输入。此外，对数转换用于从输入基因表达数据中删除不需要的数据。特征选择过程对于提高糖尿病预测的性能具有重要意义。此外，预测特征的选择带来了各种好处，包括数据精炼、最小化计算成本和提高分类准确性。除了，开发的 IWBSOA 用于特征选择过程。所设计的 IWBSOA 是通过结合改进的入侵杂草优化 (Improved IWO) 和鸟群算法 (BSA) 生成的。此外，称为递归神经网络 (RNN) 和支持向量机 (SVM) 的深度学习分类器用于预测过程。在这里，一个名为 RNN 的深度学习分类器由 RCOA 训练以获得有效的预测结果。RCOA 是骑手优化算法 (ROA) 和鸡群优化 (CSO) 的组合。此外，使用三个指标评估已开发 IWBSOA 的性能：特异性、敏感性和准确性。因此，开发的具有混合深度学习模型的 IWBSOA 获得了 0.9619 的改进精度，0.9711 的灵敏度和 0.9439 的特异性和 0.1887 的 MSE。所设计的 IWBSOA 是通过结合改进的入侵杂草优化 (Improved IWO) 和鸟群算法 (BSA) 生成的。此外，称为递归神经网络 (RNN) 和支持向量机 (SVM) 的深度学习分类器用于预测过程。在这里，一个名为 RNN 的深度学习分类器由 RCOA 训练以获得有效的预测结果。RCOA 是骑手优化算法 (ROA) 和鸡群优化 (CSO) 的组合。此外，使用三个指标评估已开发 IWBSOA 的性能：特异性、敏感性和准确性。因此，开发的具有混合深度学习模型的 IWBSOA 获得了 0.9619 的改进精度，0.9711 的灵敏度和 0.9439 的特异性和 0.1887 的 MSE。所设计的 IWBSOA 是通过结合改进的入侵杂草优化 (Improved IWO) 和鸟群算法 (BSA) 生成的。此外，称为递归神经网络 (RNN) 和支持向量机 (SVM) 的深度学习分类器用于预测过程。在这里，一个名为 RNN 的深度学习分类器由 RCOA 训练以获得有效的预测结果。RCOA 是骑手优化算法 (ROA) 和鸡群优化 (CSO) 的组合。此外，使用三个指标评估已开发 IWBSOA 的性能：特异性、敏感性和准确性。因此，开发的具有混合深度学习模型的 IWBSOA 获得了 0.9619 的改进精度，0.9711 的灵敏度和 0.9439 的特异性和 0.1887 的 MSE。