增强特征选择和集体学习用于心血管疾病预测:混合GOL2-2 T和适应性增强决策融合与保姆改进
S Phani Praveen1, Mohammad Kamrul Hasan2, Siti Norul Huda Sheikh Abdullah2
1Department of Computer Science and Engineering, Prasad V Potluri Siddhartha Institute of Technology, Vijayawada, India.
Frontiers in medicine
|July 29, 2024
概括
这项研究引入了一种用于心血管疾病预测的新型机器学习模型,达到83.0%的准确性. 该模型有效地处理丢失的数据和类不平衡,提供更强大的诊断工具.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 心血管疾病 (CVD) 仍然是全球主要的死亡原因.
- 目前对心血管疾病的诊断方法往往缺乏准确性,特别是对于复杂的病例.
- 对于早期CVD检测和预测结果的增强诊断工具有着至关重要的需求.
研究的目的:
- 开发和评估一种新的机器学习方法,以改善心血管疾病的预测.
- 解决数据预处理方面的挑战,包括缺失的数据,异常值和类不平衡.
- 提高CVD诊断模型的准确性和可靠性,用于临床应用.
主要方法:
- 通过链式方程 (MICE) 进行多重推算,用于缺失的数据推算.
- 采用四分区间范围 (IQR) 方法来检测和处理异常值.
- 应用SMOTE (合成少数人过量采样技术) 来缓解类不平衡.
- 引入了带有L2规范化的混合二层虫优化 (GOL2-2T) 以实现最佳特征选择.
- 实现了一个Adaboost决策融合 (ABDF) 组合学习算法,并采用了超参数调整的保姆技术.
主要成果:
- 开发的心脏病预测模型达到83.0%的准确性.
- 该模型的F1平衡得分为84.0%,表明了强大的预测性能.
- 综合预处理和特征选择技术 (MICE,IQR,SMOTE,GOL2-2T) 显著提高了模型的稳定性和预测能力.
- 该ABDF算法有效地改进了该模型,在预测心脏病方面非常有效.
结论:
- 这些发现强调了先进的机器学习方法在医学诊断中的有效性.
- 拟议的模型为临床医生提供了一个更准确,更可靠的工具,用于早期CVD识别.
- 需要进一步的研究来验证模型在各种数据集和人群中的通用性.
