分析特征选择方法对用于心脏病预测的机器学习算法的影响

科学领域:

• 心血管疾病研究研究
• 机器学习应用 机器学习应用
• 生物医学信息学 生物医学信息学

背景情况:

• 准确的心脏病预测对于及时干预至关重要.
• 机器学习模型提供了提高诊断准确性的潜力.
• 优化功能选择是提高机器学习模型性能的关键.

研究的目的:

• 评估各种特征选择技术对用于心脏病预测的机器学习算法的影响.
• 为此任务确定最有效的特征选择方法和算法.
• 在不同的特征选择策略下比较各种模型的性能指标.

主要方法:

• 使用了克利夫兰心脏病数据集.
• 在过器,包装器和进化类别中应用了16种特征选择技术.
• 实现了七个机器学习算法:贝叶斯净,天真贝叶斯,多变量线性模型,支持矢量机,logit提升,j48和随机森林.
• 使用精度,F测量,特异性,准确性,灵敏性,ROC区域和PRC进行评估的性能.

主要成果:

• 功能选择对一些模型 (例如,j48) 产生了性能改进,但对其他模型 (例如,MLP,RF) 降低了性能.
• 基于SVM的过方法实现了85.5%的最佳匹配精度,SVM-CFS/信息获取/对称不确定性显示了最高的改进.
• 具有更多精选特征的过方法在准确度,精度和F测量方面表现出色,而包装和进化方法提高了灵敏度和特异性.

结论:

• 特征选择方法显然影响机器学习模型在心脏病预测中的有效性.
• 过方法,特别是基于SVM的过方法,对于提高整体准确性和关键分类指标是有效的.
• 包装和进化方法在提高模型灵敏度和特异性方面具有明显的优势,为不同的预测目标提供了定制方法.