El diagnóstico temprano de la diabetes mellitus (DM) es crucial para prevenir sus complicaciones graves. Un conjunto de clasificadores es una forma efectiva de mejorar el rendimiento de la clasificación, que se puede utilizar para diagnosticar enfermedades complejas, como la DM. Este documento propone un marco de conjunto para diagnosticar la DM mediante la utilización óptima de múltiples clasificadores basados en técnicas de agrupación y subespacio aleatorio. El marco propuesto combina siete de las técnicas de minería de datos más adecuadas y heterogéneas, cada una con un conjunto separado de características adecuadas. Estas técnicas son vecinos más cercanos, Bayes ingenuo, árbol de decisiones, máquina de vectores de soporte, árbol de decisión difuso, red neuronal artificial y regresión logística. El marco está diseñado con precisión seleccionando, para cada subconjunto de datos, el conjunto de características más adecuado y el clasificador más preciso. Se evaluó utilizando un conjunto de datos reales recopilados de registros de salud electrónicos de los Hospitales de la Universidad de Mansura (Mansura, Egipto). El marco resultante logró un 90% de precisión, un 90.2% de sensibilidad y un 94.9% de precisión. Se evaluó y comparó el marco propuesto con muchos otros algoritmos de clasificación. Un análisis de los resultados indicó que el marco de conjunto propuesto supera significativamente a todos los demás clasificadores. Es un paso exitoso hacia la construcción de un sistema de apoyo a decisiones personalizado, que podría ayudar a los médicos en la práctica clínica diaria.