一个高效的机器学习模型基于改进的特征选择,用于早期和准确的心脏病预测

科学领域:

• 心脏病学 心脏病学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 冠心病对人类生活产生重大影响,需要可靠的诊断工具.
• 基于传统医学史的心脏病诊断往往是不可靠的.
• 机器学习 (ML) 为心脏病检测提供了更准确,更有效的方法.

研究的目的:

• 为了解决现有的心脏病检测方法的缺陷.
• 构建一个准确的机器学习模型来预测心脏病.
• 评估特征选择对模型性能和效率的影响.

主要方法:

• 利用五个特征选择算法来优化机器学习模型.
• 使用准确度,精度,回忆,F1分数和MCC等指标评估模型性能.
• 评估了功能减少对分类器性能和执行时间的影响.

主要成果:

• 支持矢量机 (SVM) 实现了97.5%的准确性.
• K-最近的邻居 (KNN) 实现了95%的准确性.
• 后勤回归实现了93%的准确性,并减少了所有模型的计算时间.

结论:

• 功能减少对分类器性能产生了积极的影响,并减少了计算时间.
• 拟议的ML模型在预测心脏病方面表现出高准确性和效率.
• 使用ML进行准确和精确的心脏病检测可以帮助预防人类损失.