使用修改的人工蜂群 (M-ABC) 和K-最近邻居 (KNN) 来预测心脏病的最佳特征选择
Muhammad Amir Khan1, Tehseen Mazhar2, Muhammad Mateen Yaqoob3
1School of Computing Sciences, College of Computing, Informatics, and Mathematics, Universiti Teknologi MARA, 40450, Shah Alam, Selangor, Malaysia.
Scientific reports
|November 1, 2024
概括
本研究引入了用于早期心脏病诊断的机器学习模型,使用修改后的蜜蜂算法进行最佳特征选择,以提高准确性和减少训练时间.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 心脏病是全球主要的健康问题.
- 早期诊断对于有效的患者管理至关重要.
- 机器学习为提高诊断准确性提供了有希望的途径.
研究的目的:
- 开发和评估一种新的机器学习框架,用于准确预测心脏病.
- 优化功能选择以提高分类性能.
- 为了减少心脏病诊断中的计算复杂性.
主要方法:
- 提出了一个混合框架,将修改人工蜂群 (M-ABC) 结合为属性选择和k-最近邻居 (KNN) 进行分类.
- 使用修改后的蜜蜂算法,从数据集中识别出最有信息的特征.
- 功能选择被整合到分类培训阶段,以保留重要的属性.
主要成果:
- 拟议的M-ABC和KNN框架证明了对心脏病预测的更好的分类准确性.
- 属性选择过程有效地确定了最佳特征,提高了模型性能.
- 由于高效的特征选择,观察到分类人员培训时间的显著减少.
结论:
- 开发的机器学习框架为早期和准确的心脏病诊断提供了有效的工具.
- 使用修改后的蜜蜂算法进行优化的特征选择,提高了预测模型的性能和效率.
- 这种方法支持临床医生做出明智的决策,以获得更好的心血管护理患者结果.
