通过Optuna的超参数调整套件对XGBoost机器学习模型进行混合,用于心血管疾病分类,具有异常值和异质训练数据集的显著影响
1Department of Electrical and Instrumentation Engineering,Sant Longowal Institute of Engineering and Technology, Longowal, Sangrur, Punjab, India.
International journal of cardiology
|November 30, 2024
概括
这项研究引入了用于心脏病 (HD) 预测的混合XGBoost分类器,通过优化数据预处理和模型参数来实现95.45%的准确性. 该框架提供了有效和准确的诊断,以改善心脏病患者的护理.
科学领域:
- 心脏病学 心脏病学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 心脏病 (HD) 是全球死亡的主要原因,每年超过31%的死亡归因于心脏病.
- 由于复杂和大型的医疗数据集,早期诊断HD具有挑战性.
- 现有的诊断方法需要改进,以便及时和准确地检测.
研究的目的:
- 开发一种新的混合XGBoost分类器框架,用于增强心脏病预测.
- 通过先进的数据处理和模型优化来应对早期HD诊断中的挑战.
- 提高心脏病诊断的准确性和效率,以获得更好的患者结果.
主要方法:
- 开发了一个混合XGBoost分类器,使用z-score和IQR方法结合了异常值去除.
- 使用Optuna框架进行了超参数调整,以实现最佳模型配置.
- 模型的性能使用各种列车测试比率 (70:30,80:20,90:10) 在克利夫兰高清数据集上进行了评估,具有和没有异常处理.
主要成果:
- 拟议的混合型号实现了优越的性能指标,没有异常值,特别是在90:10列车测试比率下.
- 关键性能指标包括95.45%的准确度,92.86%的灵敏度,100%的精度和100%的特异性.
- 该模型以最短的培训和测试时间表现出高效率,并通过Stratify K-Fold交叉验证验证.
结论:
- 数据预处理,最佳的列车测试比率和超参数优化对于准确的高清预测至关重要.
- 开发的框架为高效和准确的心脏病诊断提供了一个有希望的方法.
- 这一进步对心脏病患者的医疗保健和临床决策有潜在的好处.
